Forskningsprojekt En möjlighet till snabbare och mer individanpassad utvärdering av behandlingsresons som tilldragit sig mycket intresse på senare tid är att använda funktionella avbildningsmetoder som exempelvis PET och dynamisk kontrastförstärkt MRI.
Dessa metoder ger information om hur vävnaden i exempelvis tumörer fungerar snarare än hur den ser ut morfologiskt. Eftersom bilder ger numeriska värden på kvantiteter är det viktigt hur man skattar noggranna och precisa pixelvärden. Ett annat viktigt problem är komplexiteten i datainsamlingen som ofta leder till att man samlar in redundant data med sämre bildkvalitet eller långa undersökningstider som följd. Huvudsyftet med projektet är att utveckla statistiska metoder för att optimera datainsamlingen samt minimera osäkerheter vid MRI och PET baserade undersökningar inom cancervård.
Holger Rauhut (Department of Mathematics, RWTH Aachen University, Germany)
Ida Häggström (Chalmers University of Technology)
Zhiyong Zhou (former Postdoc)
Fekadu Bayisa (former PhD student)
Jianfeng Wang (former PhD student)
En möjlighet till snabbare och mer individanpassad utvärdering av behandlingsresons som tilldragit sig mycket intresse på senare tid
är att använda funktionella avbildningsmetoder som exempelvis PET och dynamisk kontrastförstärkt MRI. Dessa metoder ger information om hur vävnaden i exempelvis tumörer fungerar snarare än hur den ser ut morfologiskt. Eftersom funktionella bilder ger numeriska värden på kvantiteter är ett viktigt problem hur man skattar noggranna och precisa pixelvärden. Ett annat viktigt problem är komplexiteten i datainsamlingen som ofta leder till att man samlar in redundant data med sämre bildkvalitet eller långa undersökningstider som följd.
För att förbättra parameterskattningar samt optimera datainsamlingen kan statistiska metoder bidra med mycket. Brus som är ett ofrånkomligt problem när tiden för patienten i kameran är begränsad kan reduceras kraftigt med bland annat tre- och fyrdimensionella wavelet-baserade metoder. Parameterskattning som är ett klassikt område inom statistiken kan också ge mycket genom metoder där man tar hänsyn till brusets detaljerade egenskaper. Slutligen kan även statistiska metoder användas för att kraftigt reducera redundant data genom att man helt enkelt inte samlar in dessa data. En nyligen presenterad metod som fått namnet Compressed Sensing kan användas för att åstadkomma just detta. I korthet svarar denna metod på frågan: Hur ska man bära sig åt
för att samla in bara så mycket data som behövs för att ta fram informationen i det jag är intresserad av?
Huvudsyftet med projektet är att vidareutveckla de ovan nämnda statistiska metoderna med syftet att optimera datainsamlingen samt
minimera osäkerheter vid funktionella MRI och PET baserade undersökningar inom cancervård och cancerforskning.
Den mer specifika målsättningen med projektet är:
a) Att påskynda datainsamlingen för PET/MR baserad multi-parametrisk bio-imaging samt utveckla osäkerhetsanalyser för de multiparametriska bilderna.
b) Att utveckla statistiska modeller att karakterisera stokastiskt brus (som ofta inte är Gaussiskt) i olika MRI och PET modaliteter och
inför nya algoritmer för brusreducering och parameterskattning.
Resultaten av det här projektet kan betyda mycket för möjligheterna att använda avancerade PET och MRI baserade metoder i såväl klinik som forskning. Effektivare datainsamling innebär billigare undersökningar och mindre obehag för sjuka patienter som måste ligga blick still under lång tid. Förbättrad noggrannhet och precision tillsammans med skattningar av osäkerheter betyder att man kan lita på resultaten vilket är helt ovärderligt i såväl forskningen som i de kliniska tillämpningarna.
