liu.seSök publikationer i DiVA
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Using the wild bootstrap to quantify uncertainty in mean apparent propagator MRI
Linköpings universitet, Institutionen för medicinsk teknik, Avdelningen för medicinsk teknik. Linköpings universitet, Tekniska fakulteten. Linköpings universitet, Centrum för medicinsk bildvetenskap och visualisering, CMIV.
Linköpings universitet, Institutionen för medicinsk teknik, Avdelningen för medicinsk teknik. Linköpings universitet, Institutionen för datavetenskap, Statistik och maskininlärning. Linköpings universitet, Tekniska fakulteten. Linköpings universitet, Centrum för medicinsk bildvetenskap och visualisering, CMIV.
Linköpings universitet, Institutionen för medicinsk teknik, Avdelningen för medicinsk teknik. Linköpings universitet, Tekniska fakulteten. Linköpings universitet, Centrum för medicinsk bildvetenskap och visualisering, CMIV.
Linköpings universitet, Institutionen för medicinsk teknik, Avdelningen för medicinsk teknik. Linköpings universitet, Tekniska fakulteten. Linköpings universitet, Centrum för medicinsk bildvetenskap och visualisering, CMIV.ORCID-id: 0000-0002-9091-4724
2019 (Engelska)Ingår i: Frontiers in Neuroinformatics, E-ISSN 1662-5196, Vol. 13, artikel-id 43Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

Purpose: Estimation of uncertainty of MAP-MRI metricsis an important topic, for several reasons. Bootstrap deriveduncertainty, such as the standard deviation, providesvaluable information, and can be incorporated in MAP-MRIstudies to provide more extensive insight.

Methods: In this paper, the uncertainty of different MAPMRImetrics was quantified by estimating the empirical distributionsusing the wild bootstrap. We applied the wildbootstrap to both phantom data and human brain data, andobtain empirical distributions for theMAP-MRImetrics returnto-origin probability (RTOP), non-Gaussianity (NG) and propagatoranisotropy (PA).

Results: We demonstrated the impact of diffusion acquisitionscheme (number of shells and number of measurementsper shell) on the uncertainty of MAP-MRI metrics.We demonstrated how the uncertainty of these metrics canbe used to improve group analyses, and to compare differentpreprocessing pipelines. We demonstrated that withuncertainty considered, the results for a group analysis canbe different.

Conclusion: Bootstrap derived uncertain measures provideadditional information to the MAP-MRI derived metrics, andshould be incorporated in ongoing and future MAP-MRIstudies to provide more extensive insight.

Ort, förlag, år, upplaga, sidor
Frontiers Media S.A., 2019. Vol. 13, artikel-id 43
Nyckelord [en]
Bootstrap, diffusion MRI, MAP-MRI, uncertainty, RtoP, NG, PA
Nationell ämneskategori
Medicinteknik
Identifikatorer
URN: urn:nbn:se:liu:diva-157089DOI: 10.3389/fninf.2019.00043ISI: 000471589200001PubMedID: 31244637OAI: oai:DiVA.org:liu-157089DiVA, id: diva2:1318438
Anmärkning

Funding agencies:  Swedish Research Council [2015-05356]; Linkoping University Center for Industrial Information Technology (CENIIT); Knut and Alice Wallenberg Foundation project Seeing Organ Function; National Institute of Dental and Craniofacial Research (NIDCR); National

Tillgänglig från: 2019-05-27 Skapad: 2019-05-27 Senast uppdaterad: 2024-01-17
Ingår i avhandling
1. Advanced analysis of diffusion MRI data
Öppna denna publikation i ny flik eller fönster >>Advanced analysis of diffusion MRI data
2019 (Engelska)Doktorsavhandling, sammanläggning (Övrigt vetenskapligt)
Abstract [en]

Diffusion magnetic resonance imaging (diffusion MRI) is a non-invasive imaging modality which can measure diffusion of water molecules, by making the MRI acquisition sensitive to diffusion. Diffusion MRI provides unique possibilities to study structural connectivity of the human brain, e.g. how the white matter connects different parts of the brain. Diffusion MRI enables a range of tools that permit qualitative and quantitative assessments of many neurological disorders, such as stroke and Parkinson.

This thesis introduces novel methods for diffusion MRI data analysis. Prior to estimating a diffusion model in each location (voxel) of the brain, the diffusion data needs to be preprocessed to correct for geometric distortions and head motion. A deep learning approach to synthesize diffusion scalar maps from a T1-weighted MR image is proposed, and it is shown that the distortion-free synthesized images can be used for distortion correction. An evaluation, involving both simulated data and real data, of six methods for susceptibility distortion correction is also presented in this thesis.

A common problem in diffusion MRI is to estimate the uncertainty of a diffusion model. An empirical evaluation of tractography, a technique that permits reconstruction of white matter pathways in the human brain, is presented in this thesis. The evaluation is based on analyzing 32 diffusion datasets from a single healthy subject, to study how reliable tractography is. In most cases only a single dataset is available for each subject. This thesis presents methods based on frequentistic (bootstrap) as well as Bayesian inference, which can provide uncertainty estimates when only a single dataset is available. These uncertainty measures can then, for example, be used in a group analysis to downweight subjects with a higher uncertainty.

Ort, förlag, år, upplaga, sidor
Linköping: Linköping University Electronic Press, 2019. s. 93
Serie
Linköping Studies in Science and Technology. Dissertations, ISSN 0345-7524 ; 2017
Nyckelord
Diffusion MRI, Distortion Correction, Deep Learning, Uncertainty Estimation
Nationell ämneskategori
Medicinsk bildbehandling
Identifikatorer
urn:nbn:se:liu:diva-161288 (URN)10.3384/diss.diva-161288 (DOI)9789175190037 (ISBN)
Disputation
2019-12-06, Hugo Theorell, Building 448, Campus US, Linköping, 13:15 (Engelska)
Opponent
Handledare
Tillgänglig från: 2019-11-19 Skapad: 2019-11-19 Senast uppdaterad: 2019-11-19Bibliografiskt granskad

Open Access i DiVA

fulltext(3511 kB)241 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 3511 kBChecksumma SHA-512
4f8029668924fb0bd0676ad57b351dd36bee666b73a043c502650d0e440768d1f9cfde7675f5bd71ec6ec10da0a368e159d21dedb5caa066bbd3e6e19a08fd7f
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltextPubMed

Person

Gu, XuanEklund, AndersÖzarslan, EvrenKnutsson, Hans

Sök vidare i DiVA

Av författaren/redaktören
Gu, XuanEklund, AndersÖzarslan, EvrenKnutsson, Hans
Av organisationen
Avdelningen för medicinsk teknikTekniska fakultetenCentrum för medicinsk bildvetenskap och visualisering, CMIVStatistik och maskininlärning
I samma tidskrift
Frontiers in Neuroinformatics
Medicinteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 241 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
pubmed
urn-nbn

Altmetricpoäng

doi
pubmed
urn-nbn
Totalt: 353 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf