Zusammenfassung
Die vorliegende Arbeit liefert einen neuartigen Ansatz für die Individualisierung bildbasierter, biophysikalischer Modelle der Progression primärer Hirntumoren. Das verwendete mathematische Modell ist etabliert. Es basiert auf einer parabolischen, partiellen Differentialgleichung (PDG). Die Modellierung der Migration von Tumorzellen entlang der Nervenbahnen der weißen Substanz wird durch eine Integration von Diffusionstensordaten realisiert. Die Modellindividualisierung basiert auf der Lösung eines Parameteridentifikationsproblems. Der verwendete Ansatz führt auf ein Optimierungsproblem mit Differentialgleichungsnebenbedingung. Eine qualitative und quantitative Analyse für patientenindividuelle Bildgebungsdaten demonstriert die phänomenologische Validität des verwendeten Modells. Die gute Übereinstimmung zwischen der geschätzten Zustandsfunktion (Lösung des direkten Problems) und der Observable (gewonnen aus den Bildgebungsdaten) bestätigt die Methodik.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Maher EA, Furnari FB, Bachoo RM, et al. Malignant glioma: Genetics and biology of a grave matter. Genes Dev. 2001;15(11):1311–1333.
Swanson KR, Rostomily RC, Alvord EC. A mathematical modelling tool for predicting survival of individual patients following resection of glioblastoma: A proof of principle. Brit J Cancer. 2008;98(1):113–119.
Konukoglu E, Clatz O, Menze BH, et al. Image guided personalization of reaction-diffusion type tumor growth models using modified anisotropic eikonal equations. IEEE T Med Imaging. 2010;29(1):77–95.
Hogea C, Davatzikos C, Biros G. An image-driven parameter estimation problem for a reaction-diffusion glioma growth model with mass effects. J Math Biol. 2008;56(6):793–825.
Gooya A, Pohl KM, Bilello M, et al. GLISTR: Glioma image segmentation and registration. IEEE T Med Imaging. 2012;31(10):1941–1954.
Murray JD. Mathematical biology. 3rd ed. New York: Springer; 2008.
Mang A, Toma A, Schuetz TA, et al. Eine effiziente Parallel-Implementierung eines stabilen Euler-Cauchy-Verfahrens fuer die Modellierung von Tumorwachstum. Proc BVM. 2012; p. 63–68.
Adavani SS, Biros G. Multigrid algorithms for inverse problems with linear parabolic PDE constraints. SIAM J Sci Comput. 2008;31(1):369–397.
Plantenga TD. HOPSPACK 2.0 user manual. Albuquerque, NM and Livermore, CA: Sandia National Laboratories; 2009. SAND2009-6265.
Mang A, Toma A, Schuetz TA, et al. A generic framework for modeling brain deformation as a constrained parametric optimization problem to aid non-diffeomorphic image registration in brain tumor imaging. Meth Inf Med. 2012;51:429–440.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2013 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Mang, A., Stritzel, J., Toma, A., Becker, S., Schuetz, T.A., Buzug, T.M. (2013). Personalisierte Modellierung der Progression primärer Hirntumoren als Optimierungsproblem mit Differentialgleichungsnebenbedingung. In: Meinzer, HP., Deserno, T., Handels, H., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2013. Informatik aktuell. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-36480-8_12
Download citation
DOI: https://doi.org/10.1007/978-3-642-36480-8_12
Published:
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-642-36479-2
Online ISBN: 978-3-642-36480-8
eBook Packages: Computer Science and Engineering (German Language)