@phdthesis{Rueber2009,
  author    = {R{\"u}ber, Matthias},
  title     = {Deterministische und probabilistische Traktographie mittels Diffusions Tensor Imaging unter aversiven Diffusionsbedingungen},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-39118},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2009},
  abstract  = {Die diffusionsgewichtete Magnetresonanztomographie (DW-MRT) ist ein fester Bestandteil der radiologischen Diagnostik des Zentralnervensystems (ZNS), und zwar nicht nur bei Schlaganf{\"a}llen sondern zunehmend auch bei Hirntumoren, Sch{\"a}delhirntraumata, demyelinisierenden, degenerativen sowie entz{\"u}ndlichen Erkrankungen. Diese Pathologien gehen in der Regel mit einer Ver{\"a}nderung der lokalen Diffusionsbedingungen einher, die eine regul{\"a}re Diffusionsbildgebung beeintr{\"a}chtigen. Durch die Bestimmung der Diffusionsparameter lassen sich mit Hilfe verschiedener mathematischer Verfahren Faserverbindungen visualisieren. Wie sich diese unterschiedlichen Methoden in Regionen mit aversiven Diffusionsbedingungen verhalten, konnte mit der Arbeit erstmals systematisch gezeigt werden. Hierzu wurden 29 Patientenuntersuchungen ausgewertet. Als Einschlusskriterium galt eine unilaterale, diffusionsrelevante L{\"a}sion mit Bezug zur Pyramidenbahn. Ausschlusskriterium war eine vollst{\"a}ndige Hemiparese als Zeichen einer vollst{\"a}ndigen Zerst{\"o}rung der relevanten Leitungsbahn. Im Einzelnen handelte es sich bei den untersuchten L{\"a}sionen um drei h{\"o}hergradige Astrozytome (WHO Grad III-IV), drei niedriggradige Astrozytome, acht Glioblastome, zwei Karzinommetastasen, zwei arterioven{\"o}se Malformationen und je eine entz{\"u}ndliche Parasitose, ein Oligodendrogliom, eine Gliomatose und ein Kavernom. Untersucht wurden zwei deterministische (einfaches und interpoliertes streamlining) und drei probabilistische Methoden (ohne crossing fibers; mit Berechnung von zwei Fasern pro Voxel und constrained/bayesian). L{\"a}sionen jeglicher Art verursachten signifikant mehr Fehlschl{\"a}ge bei deterministischer als bei probabilistischer Traktographie. In neun Untersuchungen bei einfacher und in acht Untersuchungen bei interpolierter Traktographie zeigten sich fasch negative Ergebnisse. Probabilistisches Traktographieren eliminiert nicht falsch negative Ergebnisse, reduziert sie jedoch unter den oben genannten aversiven Difussivit{\"a}tsbedingungen mit denen intraaxiale L{\"a}sionen einhergehen. Klinisches Wissen {\"u}ber die verbliebene Traktintegrit{\"a}t erm{\"o}glicht die Umwandlung der Traktographieergebnisse in Wahrscheinlichkeitswerte innerhalb eines Bayschen Modells. Außerdem ist nur unter Miteinbeziehung klinischer Informationen eine Traktographie nach dem constrained Modell m{\"o}glich. Obwohl die probabilistische Traktographie weniger anf{\"a}llig f{\"u}r falsch negative Ergebnisse ist als die deterministische, geht die erh{\"o}hte Sensitivit{\"a}t der Algorithmen auf Kosten der Spezifit{\"a}t. Dies zeigt sich in signifikant erh{\"o}hten bilateralen Traktvolumina und einem {\"u}berm{\"a}ßigen Unterschied der Traktvolumina von L{\"a}sionsseite zu kontralateraler Seite. Die probabilistisch, unconstrained durchgef{\"u}hrte Traktographie der Pyramidenbahn zeigte eine signifikant, durch die L{\"a}sion verursachte Volumenminderung des Traktes, w{\"a}hrend dies im constrained modellierten Fall durch die Daten nicht gezeigt werden konnte. Dies zeigt die Robustheit des Constrained Modells unter den aversiven klinischen Bedingungen einer intraaxialen L{\"a}sion ohne den Nachteil von erh{\"o}hten Fehltraktographien. Es kann konstatiert werden, dass sich die deterministischen Traktographieverfahren zur pr{\"a}operativen Orientierung vor neurochirurgischen Eingriffen eignen. Jedoch ist eine nicht zu untersch{\"a}tzende Anzahl von falsch negativen Ergebnissen zu ber{\"u}cksichtigen. In zweifelhaften F{\"a}llen sollte zus{\"a}tzlich eine Darstellung mittels probabilistischen Algorithmen, am besten mittels Constrained Modell durchgef{\"u}hrt werden.},
  subject      = {NMR-Tomographie},
  language  = {de}
}