Advertisement

Eine effiziente Parallel-Implementierung eines stabilen Euler-Cauchy-Verfahrens für die Modellierung von Tumorwachstum

  • A. MangEmail author
  • A. Toma
  • T. A. Schütz
  • S. Becker
  • T. M. Buzug
Chapter
Part of the Informatik aktuell book series (INFORMAT)

Kurzfassung

Die vorliegende Arbeit befasst sich mit der Überführung eines, kürzlich auf dem Gebiet der Bildverarbeitung vorgeschlagenen, beschleunigten Euler-Cauchy Verfahrens (ECV*) in die Modellierung der Progression primärer Hirntumoren auf Gewebeebene in einer parallelen Implementierung. Das biophysikalische Modell ist über ein Anfangsrandwertproblem erklärt. In der vorliegenden Arbeit wird eine Stabilitätsbedingung für das Standard-ECV in der lh,2-Norm hergeleitet, welche nicht nur eine adaptive Schrittweitensteuerung ermöglicht, sondern auch als Kontrollparameter für das beschleunigte Verfahren dient. Eine vergleichende Gegenüberstellung zu (semi-)impliziten Verfahren demonstriert nicht nur, dass der numerische Fehler für die vorliegende Anwendung dem impliziter Verfahren entspricht, sondern auch die Effizienz der vorgestellten Parallel-Implementierung. Die Rechenzeit ist im Maximum, im Vergleich zu impliziten Verfahren, um ca. einen Faktor 20 reduziert.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. 1.
    Murray JD. Mathematical Biology. Springer Heidelberg; 2003.zbMATHGoogle Scholar
  2. 2.
    Konukoglu E, Clatz O, Menze BH, et al. Image guided personalization of reaction- diffusion type tumor growth models using modified anisotropic eikonal equations. IEEE Trans Med Imaging. 2010;29(1):77-95.CrossRefGoogle Scholar
  3. 3.
    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;56(6):793-825.MathSciNetzbMATHCrossRefGoogle Scholar
  4. 4.
    Gooya A, Biros G, Davatzikos C. Deformable registration of glioma images using EM algorithm and diffusion reaction modeling. IEEE Trans Med Imaging. 2011;30(2):375-390.CrossRefGoogle Scholar
  5. 5.
    Hogea C, Davatzikos C, Biros G. Brain-Tumor Interaction Biophysical Models for Medical Image Registration. SIAM J Sci Comput. 2008;30(6):3050-3072.MathSciNetzbMATHCrossRefGoogle Scholar
  6. 6.
    Mang A, Becker S, Toma A, et al. A model of tumour induced brain deformation as bio-physical prior for non-rigid image registration. In: Proc IEEE Int Symp Biomed Imaging; 2011. p. 578-581.Google Scholar
  7. 7.
    Mang A, Becker S, Toma A, et al. Modellierung tumorinduzierter Gewebedeformation als Optimierungsproblem mit weicher Nebenbedingung. Proc BVM. 2011; p. 294-298.Google Scholar
  8. 8.
    Mang A, Schutz TA, Toma A, et al. Ein dämonenartiger Ansatz zur Modellierung tumorinduzierter Gewebedeformation als Prior fär die nicht-rigide Bildregistrierung. Proc BVM. 2012.Google Scholar
  9. 9.
    Grewenig S, Weickert J, Bruhn A. From box filtering to fast explicit diffusion. Lect Notes Computer Sci. 2010;6376:533-542.CrossRefGoogle Scholar
  10. 10.
    Alexiades V, Amiez G, Geremaud PA. Super-time-stepping acceleration of explicit schemes for parabolic problems. Com Num Meth Eng. 1996;12:31-42.zbMATHCrossRefGoogle Scholar
  11. 11.
    Jbabdi S, Mandonnet E, Duffau H, et al. Simulation of anisotropic growth of low- grade gliomas using diffusion tensor imaging. Magn Reson Med. 2005;54(3):616- 634.CrossRefGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2012

Authors and Affiliations

  • A. Mang
    • 1
    Email author
  • A. Toma
    • 1
    • 2
  • T. A. Schütz
    • 1
    • 3
  • S. Becker
    • 1
    • 2
  • T. M. Buzug
    • 1
  1. 1.Institut für MedizintechnikUniversität zu Lübeck (UL)LübeckDeutschland
  2. 2.Centre of Excellence for Technology and Engineering in Medicine (TANDEM)LübeckDeutschland
  3. 3.Graduiertenschule für Informatik in Medizin und Lebenswissenschaften, ULLübeckDeutschland

Personalised recommendations