TY - THES A1 - Martens, Johannes T1 - Development of an In-Silico Model of the Arterial Epicardial Vasculature T1 - Entwicklung eines in-silico Modells der arteriellen epikardialen Vaskulatur N2 - In dynamic CE MR perfusion imaging the passage of an intravenously injected CA bolus through tissue is monitored to assess the myocardial pefusion state. To enable this, knowledge of the shape of CA wash-in through upstream epicardial vessels is required, the so-called AIF. For technical reasons this cannot be quantified directly in the supplying vessels and is thus measured in the left ventricle, which introduces the risk of systematic errors in quantification of MBF due to bolus dispersion in coronary vessels. This means occuring CA dispersion must be accounted in the quantification process in order to produce reliable and reproducible results. In order to do this, CFD simulations are performed to analyze and approximate these errors and deepen insights and knowledge gained from previous CFD analyses on both idealized as well as realistic and pathologically altered 3D geometries. In a first step, several different procedures and approaches are undertaken in order to accelerate the performed workflow, however, maintaining a sufficient degree of numerical accuracy. In the end, the implementation of these steps makes the analysis of the cardiovascular 3D model of unprecedented detail including vessels at pre-arteriolar level feasible at all. The findings of the Navier-Stokes simulations are thus validated with regard to different aspects of cardiac blood flow. These include the distribution of VBF into the different myocardial regions, the areals, which can be associated to the large coronary arteries as well as the fragmentation of VBF into vessels of different diameters. The subsequently performed CA transport simulations yield results on the one hand confirming previous studies. On the other hand, interesting additional knowledge about the behavior of CA dispersion in coronary arteries is obtained both regarding travelled distance as well as vessel diameters. The relative dispersion of the so-called vascular transport function, a characterizing feature of vascular networks, shows a linear decrease with vessel diameter. This results in asymptotically decreased additional dispersion of the CA time curve towards smaller and more distal vessels. Nonetheless, perfusion quantification errors are subject to strong regional variability and reach an average value of $(-28\pm16)$ \% at rest across the whole myocardium. Depending on the distance from the inlet and the considered coronary tree, MBF errors up to 62 \% are observed. N2 - Bei der Messung der myokardialen Perfusion mittels Kontrastmittel (KM)-gestützter Magnet Resonanz Tomographie (MRT) wird die zeitliche Entwicklung der Anströmung eines intravenös injizierten Kontrastmittel-Bolus im Herzmuskelgewebe gemessen und hinsichtlich des Myokardialen Blutflusses (MBF) ausgewertet. Zusätzlich zum Signal des KM im Gewebe ist für eine Quantifizierung des MBF außerdem aber die sogenannte arterielle Eingangsfunktion (AEF) notwendig. Diese Funktion beschreibt, wie das KM durch das versorgende koronare Blutgefäß ins Gewebe einströmt. Aus technischen Gründen ist die AEF nicht direkt messbar, weshalb sie in der Regel im großen Blutvolumen des linken Ventrikels bestimmt wird. Da der KM-Bolus auf dem Weg vom linken Ventrikel aufgrund der Strömungsverhältnisse in den Herzkranzgefäßen einer zeitlichen und räumlichen Veränderung, sogenannter Dispersion unterliegt, birgt die Verwendent der AEF aus dem linken Ventrikel das Risiko systematischer Fehler bei der MBF-Quantifizierung mit dieser Methode. Für eine reproduzierbare und verlässliche Perfusionsmessung mittels KM-gestützter MRT ist daher die Berücksichtigung der Bolus-Dispersion zwingend erforderlich. Um diese Effekte zu untersuchen und eine Fehlerabschätzung zu ermöglichen, werden in dieser Arbeit fluid-mechanische Berechnungen (Computational Fluid Dynamics, CFD) des Blutflusses und KM-Transports in 3D Geometrien von Herzkranzgefäßen durchgeführt. CFD Simulationen auf realistischen Gefäßgeometrien, wie sie hier präsentiert werden, gehen mit speziellen Anforderungen einher. Dies betrifft sowohl die technische Durchführbarkeit als auch die Wahl der Randbedingungen um physiologisch korrekte Ergebnisse zu erhalten. In dieser Arbeit werden daher verschiedene Ansätze angewendet und validiert, um die zeitlich effiziente aber dennoch numerisch akkurate Berechnung des Blutflusses und KM-Transports in hochdetaillierten 3D Geometrien der kardialen Vaskulatur unter Verwendung realistischer Randbedingungen überhaupt erst zu ermöglichen. Anschließend werden die Ergebnisse der Blutfluss-Simulationen hinsichtlich verschiedener Aspekte validiert. Dies beinhaltet sowohl die Verteilung des gesamten Blutvolumens in die verschiedenen Regionen des Myokards, die Zuordnung dieser Regionen zu den großen epikardialen Gefäßen (die rechte und die Hauptadern der linken Koronarie) sowie das Verhältnis des Volumen-Blut-Flusses zur Größe des betrachteten Gefäßes. Anschließend werden die Ergebnisse der Blutfluss-Simulationen verwendet, um die CFD-Analyse des KM-Transports in den kleinen koronaren Gefäßen durchzuführen. Diese Analysen bestätigen zum Einen die Erkenntnisse aus vorherigen Arbeiten, liefern jedoch wichtige neue Erkenntnisse über auftretende KM-Dispersion in Abhängigkeit sowohl des Gefäßdurch\-messers als auch des zurückgelegten Wegs des KM. Hierfür wird die sogenannte vaskuläre Transportfunktion (VTF) verwendet. Sie beschreibt die Veränderung der AEF auf dem Weg vom linken Ventrikel durch die Herzkranzgefäße aufgrund der Gefäßbeschaffenheit. Die relative Dispersion (RD) der VTF kann als charakteristische Größe eines vaskulären Netzwerks betrachtet werden und die Ergebnisse dieser Arbeit zeigen eine lineare Abnahme der RD mit dem Gefäßdurchmesser. Dies hat zur Folge, dass die zeitliche Verbreiterung der AEF selbst eine asmptotische Sättigung in kleineren distalen Gefäßen aufweist. Nichtsdestotrotz zeigen die Untersuchungen dieser Arbeit, dass die Fehler der Perfusionsquantifizierung mit Bolus-basierten MRT-Messungen starker regionaler Variabilität unterliegen. Im Ruhezustand beträgt dieser Fehler $(-28\pm16)$ \% im Durchschnitt über den gesamten Herzmuskel. In Abhängigkeit vom Abstand zum Inlet des Gefäßmodells und des betrachteten Koronarbaums wird eine maximale Unterschätzung von bis zu 62 \% beobachtet. KW - Computerunterstütztes Verfahren KW - Magnetische Resonanz KW - Kardiologie KW - Computational Fluid Dynamics KW - Contrast Agent Bolus Based Perfusion Magnetic Resonance Imaging KW - Numerische Fluidmechanik KW - Kontrastmittel-gestützte MRT-Perfusionsmessung Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-182478 ER - TY - THES A1 - Hahn, Tim T1 - Integrating neurobiological markers of depression: an fMRI-based pattern classification approach T1 - Integration neurobiologischer Marker depressiver Erkrankungen mittels fMRT-basierter Musterklassifikation N2 - While depressive disorders are, to date, diagnosed based on behavioral symptoms and course of illness, the interest in neurobiological markers of psychiatric disorders has grown substantially in recent years. However, current classification approaches are mainly based on data from a single biomarker, making it difficult to predict diseases such as depression which are characterized by a complex pattern of symptoms. Accordingly, none of the previously investigated single biomarkers has shown sufficient predictive power for practical application. In this work, we therefore propose an algorithm which integrates neuroimaging data associated with multiple, symptom-related neural processes relevant in depression to improve classification accuracy. First, we identified the core-symptoms of depression from standard classification systems. Then, we designed and conducted three experimental paradigms probing psychological processes known to be related to these symptoms using functional Magnetic Resonance Imaging. In order to integrate the resulting 12 high-dimensional biomarkers, we developed a multi-source pattern recognition algorithm based on a combination of Gaussian Process Classifiers and decision trees. Applying this approach to a group of 30 healthy controls and 30 depressive in-patients who were on a variety of medications and displayed varying degrees of symptom-severity allowed for high-accuracy single-subject classification. Specifically, integrating biomarkers yielded an accuracy of 83% while the best of the 12 single biomarkers alone classified a significantly lower number of subjects (72%) correctly. Thus, integrated biomarker-based classification of a heterogeneous, real-life sample resulted in accuracy comparable to the highest ever achieved in previous single biomarker research. Furthermore, investigation of the final prediction model revealed that neural activation during the processing of neutral facial expressions, large rewards, and safety cues is most relevant for over-all classification. We conclude that combining brain activation related to the core-symptoms of depression using the multi-source pattern classification approach developed in this work substantially increases classification accuracy while providing a sparse relational biomarker-model for future prediction. N2 - Während depressive Erkrankungen bislang größtenteils auf der Basis von Symptomen auf der Verhaltensebene und den jeweiligen Krankheitsverläufen diagnostiziert werden, hat das Interesse an der Verwendung neurobiologischer Marker bei psychischen Erkrankungen in den letzten Jahren stark zugenommen. Da jedoch die momentan verfügbaren Klassifikationsansätze zumeist auf Informationen eines einzelnen Biomarkers beruhen, ist die Vorhersage von auf der Symptomebene so komplexen Erkrankungen wie Depressionen in der Praxis deutlich erschwert. Dementsprechend konnte keiner der einzelnen bisher untersuchten Biomarker eine Vorhersagegüte erreichen, die für die praktische Anwendung eines solchen Ansatzes im klinischen Alltag ausreichend wäre. Vor diesem Hintergrund schlagen wir deshalb zur Verbesserung der Klassifikationsgüte einen Algorithmus vor, der Messdaten vielfältiger depressionsrelevanter neuronaler Prozesse integriert. Zunächst wurden hierzu die Kernsymptome depressiver Erkrankungen aus standardisierten Klassifikationssystemen ermittelt. Anschließend entwickelten wir drei experimentelle Paradigmen, welche die Messung neuronaler Korrelate der mit den depressiven Kernsymptomen assoziierten psychologischen Prozesse mittels funktioneller Kernspintomographie ermöglichen. Um die resultierenden 12 hochdimensionalen Biomarker zu integrieren, entwickelten wir basierend auf der Kombination von Gauß-Prozess Klassifikatoren und Entscheidungsbäumen einen zweistufigen Mustererkennungsalgorithmus für multiple, hochdimensionale Datenquellen. Dieser Ansatz wurde an einer Gruppe von 30 gesunden Probanden und 30 unterschiedlich schwer betroffenen und unterschiedlich medizierten stationären depressiven Patienten evaluiert. Insgesamt ermöglicht der Ansatz eine hohe Klassifikationsgüte auf Einzelfallebene. Insbesondere die Integration der verschiedenen Biomarker führte zu einer Klassifikationsgüte von 83%, wohingegen die alleinige Klassifikationsgüte der 12 einzelnen Biomarker mit bestenfalls 72% deutlich geringer ausfiel. Somit konnte der entwickelte Klassifikationsansatz in einer heterogenen, im Alltag aber typisch anzutreffenden depressiven Patientenstichprobe, eine Klassifikationsgüte erreichen, die mit der bislang bestmöglichen durch einzelne Biomarker erreichten Klassifikationsgüte in selektiven Einzelstichproben vergleichbar ist. Darüber hinaus zeigte die Analyse des empirischen Prädiktionsmodells, dass die Kombination der neuronalen Aktivität während der Verarbeitung von neutralen Gesichtern, großen monetären Belohnungen und Sicherheitssignalen zur optimalen Gesamtklassifikation führt. Zusammenfassend lässt sich schlussfolgern, dass der im Rahmen dieser Arbeit entwickelte, zweistufige Mustererkennungsalgorithmus für multiple, hochdimensionale Datenquellen die Klassifikationsgüte substantiell verbessert und erstmals die Konstruktion eines effizienten relationalen Biomarker-Modells für zukünftige Vorhersagen ermöglicht. KW - Patientenklassifikation KW - Depression KW - Biomarker KW - Neurobiologie KW - Algorithmus KW - Gauss Prozess Klassifikation KW - Klassifikations- und Regressionsbaum KW - Systematik KW - Automatische Klassifikation KW - Magnetische Resonanz KW - Gaussian Process Classification Y1 - 2010 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-49962 ER -