• risonanza magnetica cerebrale
• tensore di diffusione
• filtraggio
• visualizzazione

I primi tentativi per individuare la diffusività in vivo vanno ricercati nello sviluppo dell’imaging di diffusione pesata (DWI) che fornisce informazioni sul livello di diffusione, e più recentemente nell’imaging del tensore di diffusione (DTI) che dà informazioni sul livello di diffusione e sulle direzioni preferenziali di diffusione.
Queste tecniche hanno avuto immediata applicazione nella diagnosi dell’ischemia, infatti i cambiamenti nella diffusività dei tessuti sono un primo indice di alterazione dell’omeostasi cellulare, tipica degli attacchi ischemici. Sono invece oggetto di ricerca altri disturbi, come sclerosi multipla, dislessia, schizofrenia o traumi in genere, tenendo conto che i processi patologici tendono ad alterare l’organizzazione strutturale distruggendo o rigenerando elementi membranici.
Riuscire ad avere una tempestiva diagnosi può influire drasticamente sulle decisioni e i trattamenti terapeutici.
Seguire quindi l’evoluzione dei cambiamenti di diffusività può significare capire meglio i diversi processi di distruzione dei tessuti e i meccanismi di riparazione che si hanno in alcune patologie neurologiche come la sclerosi multipla.
In parallelo a queste applicazioni è possibile associare il comportamento di diffusione anisotropa con l’orientazione delle fibre per meglio comprendere la connettività del cervello.

Nell’ultima decade sono stati studiati numerosi schemi di acquisizione per determinare quale sia la migliore soluzione a seconda delle specifiche esigenze.
Per poter osservare spostamenti molecolari dell’ordine del micron, sarebbe necessario eliminare qualsiasi fonte di movimento, anche quelle fisiologiche o i movimenti involontari; il problema è ancor più grave se l’acquisizione deve essere fatta su pazienti confusi, che muovono la testa eccessivamente. Queste limitazioni hanno portato allo sviluppo di nuove tecniche di acquisizione dei dati più veloci, tra cui l’imaging echo planar (EPI) che permette di ottenere un’immagine completa in un solo colpo; si tratta di un metodo molto robusto, con una elevata sensibilità alle disomogeneità di campo magnetico che comportano artefatti di distorsione nelle aree con ampie variazioni di suscettibilità magnetica. Inoltre la risoluzione spaziale è limitata ed è necessaria una media sul segnale.

Sono state proposte diverse tecniche per ridurre gli artefatti causati dal metodo EPI, sia a livello hardware che software. In questa tesi se ne analizzano due a livello di postprocessing: la cross-correlazione per eliminare le distorsioni, e lo smoothing nonlineare per eliminare il rumore sia random che sistematico. Inoltre è presentata la Independent Component Analysis (ICA), si tratta di una tecnica molto potente che permette di individuare e quindi risolvere i problemi sopra menzionati; essendo assai complessa necessita di un’analisi approfondita che implica un impegno computazionale non indifferente, per cui ne sarà dato solo un accenno.
Tutti gli algoritmi di visualizzazione e filtraggio sono implementati in ambiente Matlab 6.5.


Obbiettivo di questa tesi è quello di elaborare i dati acquisiti con tecnica EPI attraverso un postprocessing che fornisca immagini di diffusione pesata e mappe di anisotropia il più possibile libere da artefatti.

Nel capitolo I viene introdotto l’argomento diffusione applicato alla risonanza magnetica nucleare, fornendo i principi fisici alla base delle tecniche di imaging applicate.

Nel capitolo II vengono esposti differenti modi per rappresentare le immagini di diffusione, in modo da evidenziare le informazioni che si ottengono con la tecnica DTMRI e meglio porre in risalto le caratteristiche dei tessuti cerebrali.

Nel capitolo III si analizza in dettaglio la sequenza EPI, i vantaggi e svantaggi del suo utilizzo e le possibili soluzioni ai problemi che ne derivano. Vengono indicati approcci sia a livello hardware, che a livello software; in quest’ultimo caso ci si sofferma su due tecniche di correzione: la cross correlazione e lo smoothing nonlineare. Una terza tecnica cui si accenna è l’ICA, di cui se ne mostra una parziale applicazione a livello di simulazione nel capitolo successivo.

Nel capitolo IV si procede all’analisi delle tecniche di correzione esposte nel capitolo III su dati sintetici, valutando i risultati ottenuti attraverso la simulazione.

Nel capitolo V i risultati dell’applicazione degli algoritmi di correzione vengono valutati su dati sperimentali.