AN AUTOMATIC CHANGE DETECTION METHOD IN DIFFUSION TENSOR 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

Medical imaging brings important information to physicians for diagnostic, medical decision or patient  follow­up. Data derived for Magnetic Resonance Imaging (MRI) is part of criteria of Multiple Sclerosis (MS)  diagnosis. This technique also allows the follow of 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.   Medical   image   processing   assist  neurologists  for   images   interpretation   and   analysis,   particularly   for   patient   longitudinal   follow­up.   A  challenging issue of medical image processing is to design reliable methods for the automatic detection of  changes   between   two   or   more   images.   Methods   have   already   been   proposed   to   detect   changes   in   serial  conventional MRI [2]. However, few works address automatic change detection in diffusion tensor imaging  (DTI), which is a promising technique for monitoring neurodegenerative diseases. We propose an automatic  method for change detection between DTI images, with application to the follow­up of multiple sclerosis lesion  evolution.   The   method   relies   on   the   generalized   likelihood   ratio   test   [3],   while   accounting   for   the   non­ stationarity   of   noise   that   corrupts   these   images.   The   detection   can   be   done   either   on   scalar   images  characterizing  some diffusion properties such  as  Fractional  Anisotropy (FA) or Mean Diffusivity  (MD)  or  directly   on   tensor   images.   Validation   has   been   conducted   by   simulating   lesion   appearances   in   real   data.  Validation shows that the detection directly on the tensor is more sensitive to registration and interpolation  errors. Further work will be done for validating the method on real data from MS patients.  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. We would like to thanks  ARSEP and Région Alsace for their support.  [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.