CENIIT Projekt: Bayesianska metoder för fMRI-guidad tumörbehandling 

fMRI-tumör

I det här forskningsprojektet, Bayesianska metoder för fMRI-guidad tumörbehandling, är målet att förbättra behandling av hjärntumörer, genom att använda bilder på hjärnaktivitet i Elektas mjukvara (Leksell GammaPlan) för behandling av hjärntumörer. Genom att se vissa hjärnområden som riskorgan, kan tumörbehandlingen optimeras för att inte skada dessa områden, vilket kommer att leda till förbättrad livskvalité.

Bakgrund och industriell relevans

Funktionell magnetresonansavbildning (fMRI) har sedan 1992 varit ett populärt verktyg för att studera den mänskliga hjärnan, eftersom fMRI gör det möjligt att avbilda hjärnan utan att använda någon strålning. fMRI baseras på det faktum att blodet har olika magnetiska egenskaper vid vila och aktivitet, och dessa små skillnader kan upptäckas med magnetkameror som har extremt starka magnetfält (1.5 - 7 Tesla). Mer än 40 000 artiklar om fMRI har publicerats, men trots detta är fMRI relativt ovanligt inom klinisk verksamhet. Från ett industriellt perspektiv är det viktigt att tillhandahålla en mjukvara som ger pålitliga resultat, samt att integrera dessa resultat i kliniska programvaror.

Projektbeskrivning

Det här projektet handlar dels om att utveckla pålitliga statistiska metoder för fMRI, dels om att integrera fMRI i Elektas mjukvara. Inom klinisk verksamhet är det extremt viktigt att man kan lita på resultaten från den statistiska analysen, eftersom en felaktig analys kan leda till allvarliga konsekvenser för en patient. Projektet har följande mål:

  • Reducera gamma-strålning i viktiga hjärnområden nära tumörer, genom att använda fMRI som ett sätt att definiera riskorgan

  • Utveckla Bayesianska metoder för klinisk fMRI, för att kunna propagera osäkerheten som finns i varje steg i fMRI-analysen, och för att få en osäkerhet på den skattade hjärnaktiviteten.

  • Använda osäkerheten i varje del av hjärnan för att ta fram bättre tumör-behandlingsplaner, genom att t.ex. vikta ner hjärnområden där osäkerheten är för hög.

  • Estimera hjärn-konnektivitet från fMRI data, för att också lägga till viktiga hjärnnätverk som riskorgan.

Forskningsmiljö och industriellt samarbete

Projektet kommer att drivas på två institutioner på LiU; IMT och IDA, och i samarbete med Elekta (Stockholm) som gör hårdvara (gamma-knivar) och mjukvara (Leksell GammaPlan) för tumörbehandling.

Publikationer

Anders Eklund, Hans Knutsson, Thomas E Nichols (2019)  Reply to Chen et al.: Parametric methods for cluster inference perform worse for two‐sided t‐tests Human Brain Mapping , Vol. 40 , s. 1689-1691

Anders Eklund, Hans Knutsson, Thomas E Nichols (2019)  Cluster failure revisited: Impact of first level design and physiological noise on cluster false positive rates Human Brain Mapping , Vol. 40 , s. 2017-2032


Sjölund, J., Eklund, A., Özarslan, E., Herberthson, M., Bånkestad, M., Knutsson, H., Bayesian uncertainty quantification in linear models for diffusion MRI, NeuroImage, 175, 272-285, 2018

X Gu, H Knutsson, M Nilsson, A Eklund, Generating diffusion MRI scalar maps from T1-weighted images using generative adversarial networks, Scandinavian Conference on Image Analysis (SCIA), 489-498, 2019

X Gu, A Eklund, E Özarslan, H Knutsson, Using the wild bootstrap to quantify uncertainty in mean apparent propagator MRI, Frontiers in Neuroinformatics, 2019

X Gu, A Eklund, Evaluation of Six Phase Encoding Based Susceptibility Distortion Correction Methods for Diffusion MRI, Frontiers in Neuroinformatics, 2019

Projektledare

Forskare