Advertisement

Tumor-Wachstumsmodellierung als parametrisches Bildregistrierproblem

  • Stefan Becker
  • Jan Ole Jungmann
  • Andreas Mang
  • Thorsten M. Buzug
Part of the Informatik aktuell book series (INFORMAT)

Auszug

In der vorliegenden Arbeit stellen wir ein neues Modell zur Kopplung des Tumormasseeffektes an die, der Wachstumsmodellierung unterliegende, anisotrope Reaktionsdiffusionsgleichung vor. Die Gleichung wird auf einem hochaufgelösten Voxelgitter diskretisiert. Eine Modellierung der Anisotropie des Diffusionsprozesses ermöglicht die Integration von Diffusions-Tensor-Bildgebungsdaten. Die raumfordernde Wirkung des Tumors wird als parametrisches Bildregistrierproblem aufgefasst. Hierbei wird die resultierende Verteilung der Tumorzellkonzentration in die zu optimierende Zielfunktion integriert. Erste qualitative Ergebnisse zeigen, dass eine Minimierung der aufgestellten Zielfunktion zu einer plausiblen Modellierung des Masseeffektes führt.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. 1.
    Angelini ED, Clatz O, Mandonnet E, et al. Glioma dynamics and computational models: A review of segmentation, registration, in silico growth algorithms and their clinical applications. Curr Med Imaging Rev. 2007;3(4):262–276.CrossRefGoogle Scholar
  2. 2.
    Kansal AR, Torquato S, Harsh GR., et al. Simulated brain tumor growth dynamics using a three-dimensional cellular automaton. J Theor Biol. 2000;203(4):367–382.CrossRefGoogle Scholar
  3. 3.
    Swanson KR, Bridge C, Murray JD, et al. Virtual and real brain tumors: Using mathematical modeling to quantify glioma growth and invasion. J Neurol Sci. 2003;216:l–10.CrossRefGoogle Scholar
  4. 4.
    Clatz O, Sermesant M, Bondiau PY, et al. Realistic simulation of the 3-D growth of brain tumors in MR, images coupling diffusion with biomechanical deformation. Trans Med Imaging. 2005;24(10):1334–1346.CrossRefGoogle Scholar
  5. 5.
    Hogea C, Davatzikos C, Biros G. An image-driven parameter estimation problem for a reaction-diffusion glioma growth model with mass effects. J Math Biol. 2008;27(8):1003–1017.MathSciNetGoogle Scholar
  6. 6.
    Swanson KR,, Alvord EC, Murray JD. A quantitative model for differential motility of gliomas in grey and white matter. Cell Profil. 2000;33(5):317–329.CrossRefGoogle Scholar
  7. 7.
    Jbabdi S, Mandonnet E, Duffau H. Simulation of anisotropic growth of low-grade gliomas using diffusion tensor imaging. Magn Reson Med. 2005;54(3):616–624.CrossRefGoogle Scholar
  8. 8.
    Zacharaki EI, Hogea CS, Biros G, et al. A comparative study of biomechanical simulators in deformable registration of brain tumor images. IEEE Trans Biomed Eng. 2008;55(3):1233–1236.CrossRefGoogle Scholar
  9. 9.
    Zacharaki EI, Shen D, Lee SK, et al. ORBIT: A multiresolution framework for deformable registration of brain tumor images. IEEE Trans Med Imaging. 2008;27(8):1003–1017.CrossRefGoogle Scholar
  10. 10.
    Rueckert D, Sonoda LI, Hayes C, et al. Nonrigid registration using free-form deformations: Application to breast MR, images. IEEE Trans Med Imaging. 1999;18(8):712–721.CrossRefGoogle Scholar
  11. 11.
    Collins DL, Zijdenbos AP, Kollokian V, et al. Design and construction of a realistic digital brain phantom. IEE Trans Med Imaging. 1998;17(3):463–468.CrossRefGoogle Scholar
  12. 12.
    Yeo BTT, Vercauteren T, Fillard P, et al. DTI registration with exact finite-strain differential. In: Biomedical Imaging: From Nano to Macro; 2008. p. 700–703.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2009

Authors and Affiliations

  • Stefan Becker
    • 1
  • Jan Ole Jungmann
    • 1
  • Andreas Mang
    • 1
  • Thorsten M. Buzug
    • 1
  1. 1.Institut für MedizintechnikUniversität zu LübeckDeutschland

Personalised recommendations