AN AUTOMATIC CHANGE DETECTION METHOD IN DIFFUSION­WEIGHTED IMAGES: APPLICATION TO MULTIPLE SCLEROSIS. BOISGONTIER Hervéa,b, NOBLET Vincenta, HEITZ Fabricea, RUMBACH Lucienb,c, CATTIN Françoised and ARMSPACH Jean­Paulb

 Laboratoire des Sciences de l'Image, de l'Informatique et de la Télédétection, LSIIT, UMR CNRS­ULP 7005, Bd Sébastien Brant, BP 10413, F­67412 Illkirch Cedex, France. b  Laboratoire d'Imagerie de Neurosciences Cognitives, LINC­IPB, Faculté de médecine, UMR CNRS­ULP 7191, 4 Rue Kirschleger, F­67085 Strasbourg Cedex, France c  Service de Neurologie, d Service de Radiologie, CHU Minjoz, F­25030 Besançon Cedex, France [email protected]­strasbg.fr a

Abstract Magnetic   Resonance   Imaging   (MRI)   plays   an   important   role   in   Multiple   Sclerosis   (MS)   diagnosis   and   for  monitoring the evolution of the disease over time [1]. The advent of new quantitative MRI techniques and the  constant improvement in spatial resolution yield an increasing amount of 3D image data, whose interpretation is a  tedious and error­prone task. The automatic analysis of subtle changes between MRI scans is an important tool for  assessing   disease   evolution   over   time.   Methods   have   already   been   proposed   to   detect   changes   in   serial  conventional MRI [2]. However, few works address change detection in diffusion­weighted imaging, which is a  promising technique for monitoring neurodegenerative diseases. We propose an automatic method for change  detection between scalar images diffusion­weighted, with application to the follow­up of multiple sclerosis lesion  evolution. The method relies on the generalized likelihood ratio test [3], while accounting for the non­stationarity  of noise that corrupts these images. Validation has been conducted by simulating lesion appearances in real data.  The results show that accounting for the non­stationarity of noise allows to significantly reduce the number of false  detections. Further work will also consider change detection directly on tensor images.  Such automatic methods  for change detection in diffusion­weighted imaging may provide an objective way for characterizing the evolution  of MS lesions, in particular for those located in the normal­appearing white matter, and a useful tool for studying  MS consequences on anatomical and functional brain connectivity.

References  [1] Y. Ge, “Multiple sclerosis: The role of MR imaging”, American Journal of Neuroradiology, vol. 27, no. 6, pp.  1165–1176, June­July 2006.   [2] M. Bosc, F. Heitz, J.­P. Armspach, I. Namer, D. Gounot, and L. Rumbach. “Automatic change detection in  multimodal serial MRI: application to multiple sclerosis lesion evolution.” NeuroImage, 20(2):643­656, July 2003.  [3] S. M. Kay, Fundamentals of statistical signal processing: detection theory, Prentice­Hall, Inc., Upper Saddle  River, NJ, USA, 1998.