Diffusion tensor fiber tracking with self-organizing feature maps

Abstract

Difüzyon tensör görüntüleme, in vivo ak madde yolaklarını noninvasif olarak tahmin edebilme özelliği ile tektir. DT imgelerinin işlenmesi için uygun imge işleme ve görselleştirme araçlarına gerek duyulmaktadır. Ancak, belirsizlik bölgelerindeki çoklu yön içeren yolakların saptanabilmesi için uygun ak madde anatomik haritaları gerekmektedir. Kesişen yolak geometrileri içeren bu bölgeler DTG literatüründe kritik bir traktografi sorunu yaratmaktadır. Ak madde traktografisi standartlaşmayı ve genel olarak bu alanda çalışan pek çok araştırma grubunun ana ilgi alanı olan, kabul edilmiş yolak takip atlası saptanmasını gerektirmektedir. Bu tezde, yapay sinir ağlarının özel bir biçimi olan Kohonen özdüzenleyici haritaları, DT imgelerini analiz etmek amaçlı önerilmiştir. Özdüzenleyici haritaları tabanlı traktografi yaklaşımı SOFMAT (Özdüzenleyici Haritalama Traktografisi) gözetimsiz öğrenmeye dayalıdır ve yüksek boyutlu verinin topolojik sıralama kısıtına bağlı olarak 1B, 2B veya daha yüksek boyutta veri uzayına haritalanmasıdır. Gözetimsiz yaklaşım, SOFMAT'ın DTG'de yolaklara ait birincil difüzivitenin nöral yollar şeklinde düzenlemesine imkan sağlar. SOFMAT' ın sonucu topolojik haritaların önemli bir avantajı, girdi uzayının boyutu azaltılırken, girdi uzayının altında kalan yapıya sadık kalması ve korumasıdır. Sonuç olarak, girdi vektör desenini yansıtan olasılık yoğunluğu fonksiyonunu ifade eden ağırlıklarla bir yapay nöron haritası elde edilmektedir. Nörobiyolojik yaklaşımla, özdüzenleyici haritalarla öğrenen DT bilgisine dayalı yolak takip haritaları oluşturulması çalışmanın amacını oluşturmaktadır. Yapay sinir ağları mantığına dayalı bu yaklaşım yolak traktografisindeki belirsizlikleri çözümlemek için denenmiştir. PISTE isimli yapay veri seti SOFMAT'ın kapasitesini ölçmek için kullanılmıştır. Etkili bir konfigürasyon saptanması sonrasında, SOFMAT insan beyin traktografisine uygulanmıştır.

The diffusion tensor imaging (DTI) is unique in its ability to estimate the white matter (WM) fiber tracts in vivo noninvasively. The post-processing of DT images needs proper image analysis and visualization tools. However, accurate WM anatomical maps should be provided to clarify the multiple orientational fiber paths within uncertainty regions. These regions with intersecting trajectories generate a critical tractography issue in DTI literature. WM fiber tractography needs a standardization, a generally accepted fiber tract atlas which is the main concern of the various research groups in the field. In this thesis, the special class of artificial neural networks (ANN) namely Kohonen's self organizing feature maps (SOFMs) is proposed for the analysis of DT images. This SOM based tractography approach called SOFMAT (Self-Organizing Feature Mapping Tractography) relies on unsupervised learning method for the mapping of high dimensional data into a 1D, 2D, or higher dimensional data space depending on the topological ordering constraint. The unsupervised approach enables SOFMAT to order the principal diffusivity of the fibers in the DTI into neural pathways. A major advantage of the topological maps produced by SOFMAT is that it retains the underlying structure of the input space, while the dimensionality of the input space is reduced. As a result, an artificial neuronal map is obtained with weights encoding the stationary probability density function of the input pattern vectors. Building fiber tracking maps based on the diffusion tensor information which learn through self organization in a neurobiologically aspect is the aim of the study. SOFMAT has been tested to reveal uncertainties in fiber tracking. A well known artificial dataset called PISTE was used to access the capabilities of SOFMAT. After identifying an affective configuration, SOFMAT was employed for human tractography.