Advertisement

Personalisierte Modellierung der Progression primärer Hirntumoren als Optimierungsproblem mit Differentialgleichungsnebenbedingung

  • Andreas MangEmail author
  • Jenny Stritzel
  • Alina Toma
  • Stefan Becker
  • Tina A. Schuetz
  • Thorsten M. Buzug
Conference paper
Part of the Informatik aktuell book series (INFORMAT)

Zusammenfassung

Die vorliegende Arbeit liefert einen neuartigen Ansatz für die Individualisierung bildbasierter, biophysikalischer Modelle der Progression primärer Hirntumoren. Das verwendete mathematische Modell ist etabliert. Es basiert auf einer parabolischen, partiellen Differentialgleichung (PDG). Die Modellierung der Migration von Tumorzellen entlang der Nervenbahnen der weißen Substanz wird durch eine Integration von Diffusionstensordaten realisiert. Die Modellindividualisierung basiert auf der Lösung eines Parameteridentifikationsproblems. Der verwendete Ansatz führt auf ein Optimierungsproblem mit Differentialgleichungsnebenbedingung. Eine qualitative und quantitative Analyse für patientenindividuelle Bildgebungsdaten demonstriert die phänomenologische Validität des verwendeten Modells. Die gute Übereinstimmung zwischen der geschätzten Zustandsfunktion (Lösung des direkten Problems) und der Observable (gewonnen aus den Bildgebungsdaten) bestätigt die Methodik.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Maher EA, Furnari FB, Bachoo RM, et al. Malignant glioma: Genetics and biology of a grave matter. Genes Dev. 2001;15(11):1311–1333.Google Scholar
  2. Swanson KR, Rostomily RC, Alvord EC. A mathematical modelling tool for predicting survival of individual patients following resection of glioblastoma: A proof of principle. Brit J Cancer. 2008;98(1):113–119.Google Scholar
  3. Konukoglu E, Clatz O, Menze BH, et al. Image guided personalization of reaction-diffusion type tumor growth models using modified anisotropic eikonal equations. IEEE T Med Imaging. 2010;29(1):77–95.Google Scholar
  4. 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.Google Scholar
  5. Gooya A, Pohl KM, Bilello M, et al. GLISTR: Glioma image segmentation and registration. IEEE T Med Imaging. 2012;31(10):1941–1954.Google Scholar
  6. Murray JD. Mathematical biology. 3rd ed. New York: Springer; 2008.Google Scholar
  7. Mang A, Toma A, Schuetz TA, et al. Eine effiziente Parallel-Implementierung eines stabilen Euler-Cauchy-Verfahrens fuer die Modellierung von Tumorwachstum. Proc BVM. 2012; p. 63–68.Google Scholar
  8. Adavani SS, Biros G. Multigrid algorithms for inverse problems with linear parabolic PDE constraints. SIAM J Sci Comput. 2008;31(1):369–397.Google Scholar
  9. Plantenga TD. HOPSPACK 2.0 user manual. Albuquerque, NM and Livermore, CA: Sandia National Laboratories; 2009. SAND2009-6265.Google Scholar
  10. Mang A, Toma A, Schuetz TA, et al. A generic framework for modeling brain deformation as a constrained parametric optimization problem to aid non-diffeomorphic image registration in brain tumor imaging. Meth Inf Med. 2012;51:429–440.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2013

Authors and Affiliations

  • Andreas Mang
    • 1
    Email author
  • Jenny Stritzel
    • 1
  • Alina Toma
    • 1
    • 2
  • Stefan Becker
    • 1
    • 2
  • Tina A. Schuetz
    • 1
    • 3
  • Thorsten M. Buzug
    • 1
  1. 1.Institut für MedizintechnikUniversität zu Lübeck (UL)LübeckDeutschland
  2. 2.Centre of Excellence for Technology and Engineering in Medicine (TANDEM)ULLübeckDeutschland
  3. 3.Graduiertenschule für Informatik in Medizin und LebenswissenschaftenULLübeckDeutschland

Personalised recommendations