BSc-projekter til Medicin & Teknologi-studerende 2011

Transkript

1 BSc-projekter til Medicin & Teknologi-studerende 2011

2 Medicinsk signalbehandling Topographic brainwave analysis for a wearable epilepsy alarm unit Contact: Lektor Ph.D.Helge B.D. Sørensen (Phone) hbs@elektro.dtu.dk Contact Ph.D.stud. Jonas Duun-Henriksen (Phone) jhe@elektro.dtu.dk Introduction: Personer med epilepsi kan få en bedre behandling ved monitorering af anfald med et bærbart epilepsi alarmapparat. De epileptiske anfald er beskrevet som enten generaliserede, der udbreder sig over det meste af hjernen, eller fokale/partielle. Denne skelnen er baseret på det mønster som kan ses ved en visuel inspektion af EEG et (hjernebølgerne). EEG et består af simultane elektriske målinger fra flere elektroder placeret på hovedet. Dette projekt fokucerer på de såkaldte absenceanfald, som går ind under betegnelsen generaliserede epileptiske anfald, hvor flere eller alle EEG elektroder er involveret. I fremtiden ønskes at monitorere absenceanfald med et subkutant implanteret EEG epilepsi alarmapparat, som måler de elektriske signaler fra kun en lille del af hjernen. Af hensyn til patienten bør man naturligvis kun placere måleelektroder på det mindst mulige areal af hjernen. For at finde en optimal lokalisation for disse elektroder, skal der laves en beskrivelse af den topografiske og temporale fordeling af de abnorme absencemønstre på EEG et under et anfald. Objective: Med udgangspunkt i målinger af hjernesignaler (seeg) fra hele hjernen fra en epilepsipatient ønskes foretaget statistisk signalbehandling af disse signaler for automatisk at finde de topografiske områder på hjernen, der bedst udtrykker epilepsianfald. Herved kan man subkutant implementere et miniature epilepsi alarmapparat baseret på de optimale hjernesignaler. Description: Projektet initieres med et studie i hvilke avancerede metoder, der findes til topografisk analyse af Ref: EEGLAB hjernesignaler som funktion af tiden. Også etablerede software-analyse pakker som EEGLAB og SPM8 medtages i metodevurderingen samt egne ideer til analyse. Med udgangspunkt i kvalificeret valg af metode udføres der automatisk topografisk analyse af hjernesignaler fra hele hjernen med fokus på lokalisering af det mest anfaldskarakteristiske område for en række patienter. Der er allerede etableret en database med målinger fra 49 patienter med absenceepilepsi fra Rigshospitalet. Der kommer dog konstant nye patienter til, som skal inkluderes i denne database. For disse nye patienter vil alle anfaldsstarter blive identificeret i samarbejde med overlæge dr.med. Troels Kjær, Rigshospitalet, hvorefter data anonymiseres og udtrækkes til brug sammen med resten af databasen. Den biomedicinske

3 signalbehandlingsgruppe fra BME ved DTU Elektro samarbejder med virksomhed og Rigshospitalet om forskning i epilepsi, og den studerende får mulighed for at være med i dette samarbejde. Prerequisites: Avanceret digital signalbehandling, god Matlab erfaring og gode matematiske evner. Deliverables: Project report. Supervisors: Lektor Ph.D. Helge B.D. Sørensen, DTU Overlæge dr.med. Troels Kjær, Rigshospitalet Lektor Ph.D. Carsten Thomsen, KU Ph.D. studerende civ.ing. Jonas Duun-Henriksen, DTU

4 Automatisk 3D detektion af epilepsianfald Contact: Lektor Ph.D.Helge B.D. Sørensen (Phone) Contact Ph.D.studerende Isa Conradsen (Phone) Introduction: Epilepsi er efter hovedpine den neurologiske lidelse, der oftest fører patienten til læge. Ca. 1 % af befolkningen rammes af epilepsi, dvs. ca mennesker i Danmark. De sværeste tilfælde af epilepsi fører til indlæggelse og tilhørende behandling. Både nat og dag overvåger man en del af disse epilepsipatienter af hensyn til diagnosticering og patientsikkerhed. Nogle anfaldstyper kan være livstruende, hvilket indikerer vigtigheden af detektering af anfald. Hovedparten af patienter opnår anfaldsfrihed via medicin, mens ca. 25% er afhængige af andre behandlingsmetoder, så som epilepsikirurgi, nervus vagus stimulator eller ketogen diæt. Det er langt fra alle af disse patienter, der opnår anfaldsfrihed. En stor del af dem der må leve med anfaldene, lider af såkaldte tonisk-kloniske anfald. Det er derfor et højt ønske at få skabt et alarm system, der er i stand til at detekterer disse anfald og alarmere personel på hospitaler eller familie i hjemmet derom. Ydermere er det i fokus at et sådan alarm system skal være nemt at benytte og samtidig ikke være til for stor gene for patienten. Objective: Projektet går ud på at designe en signalbehandlingsmetode til automatisk detektion og alarmering af epilepsianfald med udgangspunkt i EMG signaler og 3D bevælgelsessignaler fra hele kroppen. Bevægelsesdata opsamles med et trådløst overvågningssystem bestående af et antal sensorer placeret på arme og ben, hvor hver sensor indeholder både 3D accelerometer, 3D magnetometer og 3D gyroskop. Description: På Epilepsihospitalet i Dianalund og på Rigshospitalet har man stor interesse i automatisk overvågning af epilepsipatienter med henblik på automatisk anfaldsdetektion og klassifikation af de forskellige anfaldstyper. Projektet går som nævnt ud på at designe en signalbehandlingsmetode til automatisk detektion af epilepsianfald med udgangspunkt i EMG signaler og 3D bevælgelsessignaler. I disse data detekteres hændelser, der kan skelne mellem anfald og anden aktivitet hos epilepsipatienter. Projektet vil ydermere bestå i et tæt samarbejde med Rigshopitalet og Epilepsihospitalet i Dianalund, hvor målingerne skal udføres løbende, når passende patienter indlægges. Gennem projektet opnås dermed både teknisk signalbehandlings erfaring, samt praktisk erfaring i form af samarbejdet med personale på hospitalerne under forsøgene. Hospitalerne mangler i dag et personbåret alarmsystem, der effektivt kan advare personalet, når en patient får et anfald. Ydermere ville et sådant alarmsystem også kunne hjælpe epilepsipatienter og deres pårørende i hjemmet til en tryggere hverdag. Projektet vil foregå i samarbejde med Epilepsihospitalet i Dianalund og Rigshospitalet. Forud for projektet er der visuelt og med enkle algoritmer fundet forskelle i EMG målinger under anfald sammenlignet med almindelig aktivitet. I projektet ønskes det, at der udarbejdes algoritmer,

5 der automatisk kan detektere epilepsianfald og evt. klassificere forskellige anfald. Projektet indebærer tilknytning til en tværfaglig forskergruppe. Prerequisites: Avanceret digital signalbehandling, god Matlab erfaring og gode matematiske evner. Deliverables: Project report. Supervisors: Lektor Ph.D. Helge B.D. Sørensen, DTU Overlæge dr.med. Sándor Beniczky, Epilepsihospitalet Ph.D. studerende civ.ing. Isa Conradsen, DTU

6 Discrimination between idiopathic generalized epilepsy patients Contact Lektor Ph.D.Helge B.D. Sørensen (Phone) Contact Ph.D.stud. Jonas Duun-Henriksen (Phone) Background: Idiopathic generalized epilepsy (IGE) is a group of epileptic disorders often seen in children and adolescents. Absence seizures are seen in childhood absence epilepsy (CAE), juvenile absence epilepsy (JAE), and juvenile myoclonic epilepsy (JME). The seizures in these conditions are called typical absence seizures and are usually associated with generalized 3-4 Hz spike-and-slowwave complexes on the EEG. It is important for the treating physician to give the correct diagnosis since the medical treatment and the prognosis for the child depends on the type of epilepsy. It is just not always easy to do so. We therefore want to explore the opportunity of a computer to distinguish between the different diagnoses based on patient age, and features in the EEG. Project outline: Approximately 20 patients from each of the three idiopathic generalized epilepsies with absence seizures are identified in the clinical database at the Department of Neurophysiology, Rigshospitalet. Seizure onsets are annotated in all of the files. The work contains three phases: 1) Development of features describing the seizures: This could include simple features like length of seizures, maximum amplitude, energy in different frequency bands, but could also be more complex features like recurrence rate, entropy, or Teager energy. 2) Selection of best features: By use of different methods such as principal component analysis or Fischer s discriminant it should be possible to decide which features contain the most discriminating power. 3) Classification of epilepsy type: Could e.g. be classified by use of a Naïve Bayes classifier or a Support Vector Machine. A large part of the project is to propose and discuss features/selection criterion/classification technique with the supervisor group after a comprehensive literature study. Output: M.Sc. project report or B.Sc. project report Vejledere: Lektor Ph.D. Helge B.D. Sørensen, DTU Overlæge dr.med. Troels Kjær, Rigshospitalet Lektor Ph.D. Carsten Thomsen, KU Ph.D. studerende civ.ing. Jonas Duun-Henriksen, DTU

7 Design of a narcolepsy alarm algorithm based on brain signals Contact: Lektor Ph.D.Helge B.D. Sørensen (Phone) hbs@elektro.dtu.dk Contact Ph.D. stud. Jacob Kempfner (Phone) jke@elektro.dtu.dk Introduction: Narkolepsi er en sjælden søvnsygdom, hvor man pludselig får en uimodståelig trang til at sove. Folk kan falde i søvn midt i en samtale eller anden aktivitet. Søvn-anfaldet varer fra få minutter til en halv time, og kan komme flere gange om dagen. Udover søvntrangen er narkolopsi kendt for anfald, hvor alle muskler slappes, så man pludselig kan falde sammen (kataplektiske anfald). Ofte er det kun nogle få muskler, som er påvirket og man taber måske, hvad man har i hænderne. I nogle tilfælde kan slapheden dog brede sig til hele kroppen, så man synker sammen. De kataplektisk anfald varer fra få sekunder til nogle minutter og personen er helt vågen imens. Det kan derfor være et stort problem for dem at uddanne sig eller passe et arbejde. Mellem en halv og én promille af den danske befolkning lider af narkolepsi. Det svarer til et sted mellem og danskere. Narkolepsi findes lige hyppigt blandt mænd og kvinder. Sygdommen viser sig oftest omkring års alderen, men kan starte allerede i barndommen. Narkolepsi skyldes forstyrrelser i de centre i hjernestammen, som kontrollerer, hvornår vi er vågne, og hvornår vi sover. Man kender ikke den præcise mekanisme, men det er sandsynligt at problemet har at gøre med styring af REM-søvnen. Mennesker som lider af narkolepsi, går nemlig meget hurtigt fra vågen tilstand over i REM-søvn. Under REM-søvnen mister alle mennesker deres muskelkraft, på samme måde som en person med katapleksi kan gøre det, mens han er vågen. Men almindelig mennesker mærker normalt slet ikke, at deres muskler er fuldstændig slappe, mens de sover REM-søvn. Man ved ikke hvorfor nogle mennesker lider af narkolepsi. Men sygdommen er hyppig I nogle familier, og der er sandsynligvis en sammenhæng mellem visse vævstyper og risikoen for at få narkolepsi. Narkolepsi kan ikke helbredes, men medicinsk behandling kan hjælpe meget. Det er en specialist-opgave at behandle, så det er vigtigt at blive henvist til en hospitalsafdeling, hvor man kan stille den rigtige diagnose og sætte behandling igang. Objective: Projektmålet er design af en intelligent biomedicinsk signalbehandlingsalgoritme, der kan fungere som narkolepsi-alarm, se blokdiagrammet, der viser et britiskcanadisk forslag til en bærbar narkolepsi-alarm. I projektet undersøges endvidere sammenhængen mellem antallet af EEG kanaler og alarm kvalitet i form af sensitivitets- og specificitetsmål. Description: Masterprojektet tager udgangspunkt i ovennævnte problemstilling. Først udføres et litteraturstudium af status indenfor biomedicinsk signalbehandling af elektrofysiologiske signaler fra personer med narkolepsi med sigte på automatisk monitorering eller automatisk detetktion af narkolepsianfald. Førstnævnte vedrører forbedret diagnosticering og behandling, og sidstnævnte vedrører tryghed i hverdagen for personer med narkolepsi. I masterprojektet arbejdes der med en avanceret biomedicinsk metoder feature ekstraktion og

8 klassifikation (alarmfunktion) af nakolepsi events og non-narkolepsi-events (normal tilstand) ud fra en dialog med Glostrup Hospital om, hvad der har størst relevans for narkolepsi patientgruppen. Prerequisites: Avanceret digital signalbehandling, god Matlab erfaring og gode matematiske evner. Deliverables: Project report. Supervisors: Lektor Ph.D. Helge B.D. Sørensen, DTU Professor, overlæge dr.med. Poul Jennum, Glostrup Hospital Ph.D. studerende, civ.ing. Jacob Kempfner, DTU

9 Detection of early markers for neurodegenerative diseases Contact: Lektor Ph.D.Helge B.D. Sørensen (Phone) Contact Ph.D.stud. Jacob Kempfner (Phone) Introduction: Aldring er en uundgåelig proces som gør kroppen sårbar overfor alderdomsrelaterede sygdomme, heriblandt de neurodegenerative sygdomme Parkinson, Alzheimers og demens. En af forudsætningerne for at fremme sund aldring hos personer med anlæg for neurodegenerative sygdomme i hjernen er tidlig diagnosticering af og intervention overfor disse sygdomme, da mulighederne for behandling af sene sygdomsmanifestationer er meget beskedne. Avanceret digital signalbehandling af hjernebølger forventes at kunne resultere i detektion af tidlige biomarkører for disse sygdomme. Objective: Hovedformålet er at udforske hjernebølger og andre signaler fra Parkinson og/eller Alzheimer patienter, og anvende metoder til automatisk ekstraktion af features og klassifikation af disse med henblik på bedre og gerne tidligere diagnosticering til den kliniske hverdag. Description: Credit: istockphoto I projektet undersøges statistiske sammenhænge mellem modaliteterne EEG, EOG og EKG under søvn for henholdsvis raske personer og personer med neurodegenerative sygdomme. Modaliteterne vil blive undersøgt i sammenhæng med en manuel søvnanalyse, udført af søvn eksperter, da man herved kombinerer lægevidenskabelig ekspertviden med avanceret biomedicinsk signalbehandling. Baseret på den manuelle analyse vil det blive undersøgt, hvordan disse modaliteter kan bearbejdes og reduceres til passende kompakte features med henblik på en automatisk klassifikation af neurodegenerative sygdomme baseret på eksempelvis muskelaktivitet under især drømmesøvn (REM), der typisk er markant anderledes for disse patienter. Projektet tilknyttes forskergruppen fra DTU Elektro/Glostrup Hospital- indenfor neurodegenerative sygdomme. Prerequisites: Avanceret digital signalbehandling, god Matlab erfaring og gode matematiske evner. Deliverables: Project report. Supervisors: Lektor Ph.D. Helge B.D. Sørensen, DTU Professor, overlæge dr.med. Poul Jennum, Glostrup Hospital Ph.D. studerende, civ.ing. Jacob Kempfner, DTU

10 Brain-Computer-Interface (BCI) /Styring af computer med hjernesignaler Udbyder: DTU og Rigshospitalet Kontaktpersoner: Lektor Helge B.D. Sørensen, DTU Elektro Overlæge Troels W. Kjaer, Klinisk Neurofysiologi, Rigshospitalet Max antal studerende: 2 Forudsætninger: Studiets kurser DTU/KU-vejleder: Lektor Helge B.D. Sørensen, DTU Elektro Overlæge Troels W. Kjaer, Klinisk Neurofysiologi, Rigshospitalet neurology@dadlnet.dk Lektor Carsten Eckhart Thomsen Carsten.Thomsen@odont.ku.dk EEG baseret Brain-Computer-Inteface (BCI) giver en ny kommunikationsmulighed mellem den menneskelige hjerne og en computer. Patienter med alvorlige bevægelseshandicap (alvorlige hjernelammelser, hovedlæsioner, rygmarvsskader, sclerose etc.) kan benytte et BCI system som en alternativ form for kommunikation udelukkende via mental aktivitet. Dette projekt går ud på at fremstille et BCI system, som muliggør at en person kan skrive et dokument på en computer ved at aktivere et tastatur på skærmen udelukkende ved at forestille sig bevægelse af for eksempel venstre hånd, højre hånd og en fod. Nedenstående figur viser, at hvis man forestiller sig, at man bevæger venstre hånd, fremkommer der et specifikt respons benævnt ERD (event relateret desynkronisering) udledt af EEG signaler. Dette respons kan man signalbehandle og omsætte til valg af bogstav gruppe. ERD for højrehåndsbevægelse kan omsættes til valg af bogstav i bogstavgruppe. Andre styringsmetoder undersøges ligeledes. Et nyt medicinsk-teknologi laboratorium på DTU Elektro til dataopsamling og bearbejdning af medicinske signaler stilles til rådighed. Plus dedikeret udstyr til Brain-Computer-Interface design.

11 Tri-training based semi-supervised adaptation in a P300 based Brain- Computer Interface Contact: S.Puthusserypady, (Phone) , spu@elektro.dtu.dk Helge B.D. Sørensen, (Phone) , hbs@elektro.dtu.dk Introduction: Brain-Computer Interfacing (BCI) is an exciting new technology which enables the user to interact with the computer without the help of voluntary muscle movements. The information from the patterns in EEG (electroencephalogram the recorded electrical potentials from the scalp) is extracted to form a direct interface between the brain and a computer. Conventional classification algorithms depend on labeled data for the estimation of the surface separating the patterns. Due to variability of EEG between users and within a user with time, the classifier needs to be continuously adapted so that the incoming data can be classified reliably in course of time. Such an adaptation can reduce the training data requirement, eliminate intermittent re-calibration sessions and can increase the performance of the system. Recently, semi-supervised techniques have received a lot of attention from machine learning community. They make use of both labeled and unlabelled data for classifier design, and tries to adjust the classifier parameters (based on some model assumptions) to track variations in the data. Provided model assumptions are valid, they are proven to improve the performance in many classification problems, including BCI. Methods such as co-training /self-training use agreement of multiple classifiers/ confident predictions of the classifier in addition to the labeled data for re-leaning the classifier. Objective: To design and develop a tri-training based semi-supervised adaptation algorithm in a P300 based BCI. Description: Recently, Panicker et al. introduced a two-classifier co-training based approach, which was shown to be capable of delivering high-performance classifiers from very little training data. In this method, two classifiers Bayesian Linear Discriminant Analysis (BLDA) and Fischer s Linear Discriminant Analysis (FLDA) train each other iteratively to deliver a robust classifier. This method was shown to outperform conventional self-training based techniques. The method could be improved further by having 3 classifiers, with only those data points which when labeled by 2 different classifiers result in an agreement being used to update the third classifier. This minimizes the possibility of the new data being wrongly labeled; thereby minimizing the possibility of catastrophic error propagation (i.e. the possibility of errors reinforcing themselves). Such a method was introduced by Zhou et. al [2], and should be adapted to BCI data using appropriate classifiers. The 3 classifier combination which gives the fastest adaptation need to be found out empirically - candidate classifiers for the purpose are FLDA, BLDA, support vector machines (FLDA), logistic regression etc. The statistical significance of each 3 classifier combination needs to be evaluated through extensive validation techniques and non-parametric statistical significance tests. Prerequisites: Knowledge in signal processing and MATLAB. It is recommended to have some knowledge in BCI. Deliverables: Project report.

12 High-frequency SSVEP based control state detection for a P300 Brain- Computer Interface 1. Contact: S.Puthusserypady (Phone) spu@elektro.dtu.dk 2. Contact: Helge B.D. Sørensen (Phone) hbs@elektro.dtu.dk Introduction: Brain-Computer Interfacing (BCI) is an exciting new technology which enables the user to interact with the computer without the help of voluntary muscle movements. The information from the patterns in EEG (electroencephalogram the recorded electrical potentials from the scalp) is extracted to form a direct interface between the brain and a computer. Most of the present day BCIs are synchronous (cue-based), i.e. they require the user to give inputs only at specified times. Asynchronous (non-cue based) systems allow user to give input at will, and are more convenient to use. The main challenge is that unlike synchronous systems, it is the task of the algorithm to detect whether the user is trying to give any input at all (the control state) before doing the actual classification. Objective: To design and develop a high-frequency SSVEP based control state detection scheme for a P300 BCI. Description: The additional task of control state detection imposed on normal P300 based BCI system is difficult to solve from raw data. This is due to the fact that the amount of data from several rounds of illuminations is relatively huge, and a classifier built directly for the purpose will tend to over-learn and will have very poor generalization. Panicker et al. has proposed an asynchronous hybrid brain-computer interface (BCI) system combining the P300 and steady-state visually evoked potentials (SSVEP) paradigms. A P300 base system is used for information transfer, and is augmented to include steady-state visually evoked potentials (SSVEP) for control state detection. The advantages of P300 is its suitability for a wide spectrum of users including disabled patients, relaxed requirement of visual attention and relative ease of detection, and reasonably good information transfer rates. Though SSVEP based systems are generally faster than P300 based systems, they suffer from several drawbacks such as the requirement of accurate control of eyemuscles, precise and fast hardware, and unsuitability for people with epilepsy. Hence, SSVEP is utilized only for control state detection, with P300 as the main BCI paradigm. However, in the work by Panicker et al, the flicker frequency used for control state detection is around 18Hz. While it is easier to detect, such a low frequency can cause user discomfort and fatigue. High-frequency SSVEP can be used to minimize this problem; however, it requires advanced signal processing techniques. Recently, various groups have successfully detected SSVEP using flicker of up to 85 Hz [2]. This project aims at investigating the feasibility of using high-frequency SSVEP for control state detection in a hybrid SSVEP-P300 BCI system. Also, the possibility of combining information from SSVEP with statistical information from the P300 classifier scores [3] for improved control state detection needs to be explored. References: [1]. R Panicker, S Puthusserypady, A P Pryana and Y Sun Asynchronous P300 BCI: SSVEP-based control state detection, Proceedings of the European Signal Processing Conference 2010 (EUSIPCO 2010), Aalborg, Denmark, August 2010.

13 [2]. U Hoffmann, E. J. Fimbel, T Keller, Brain-computer interface based on high frequency steadystate visual evoked potentials: A feasibility study, 4 th International IEEE/EMBS Conference on Neural Engineering, 2009, NER 09. [3]. H. Zhang, C. Guan, and C. Wang, Asynchronous P300-based brain-computer interfaces: A computational approach with statistical models, IEEE Transactions on Biomedical Engineering, vol. 55, no. 6, pp , Prerequisites: Knowledge in signal processing and MATLAB. It is recommended to have some knowledge in BCI. Deliverables: Project report.

14 Epilepsy seizure detection Udbyder: DTU Elektro Rigshospitalet Kontakt: Lektor ph.d. Helge B.D. Sørensen, DTU Elektro Overlæge, ekstern lektor, Troels Wesenberg Kjær, Ph.D., Rigshospitalet Maksimalt antal studerende: 1 KU/DTU-vejleder: Lektor ph.d. Helge B.D. Sørensen, DTU Elektro, hbs@elektro.dtu.dk Overlæge, ekstern lektor, ph.d., Troels Wesenberg Kjær, Rigshospitalet PhD studerende Jonas Henriksen, DTU Lektor ph.d. Carsten E. Thomsen, Københavns Universitet På Neurofysiologisk Klinik, Rigshospitalet, foretages årligt 3000 EEG registreringer. Over 100 patienter registreres under intensiv indlæggelse i 2-5 døgn med simultant EEG, audio og video. Disse undersøgelser tjener dels det formål at klargøre om patienter med anfaldsfænomener rent faktisk har epilepsi, dels at beskrive anfaldene hos epilepsipatienter, som skal opereres for epilepsi. Alle data omkring anfald bliver gemt elektronisk. Det ønskes undersøgt i hvilken grad og inden for hvilken tidsramme, det er muligt at detektere anfald (seizure detection) på basis af EEG, eventuelt med tilføjelse af information fra video og audio optagelserne. Design af effektive metoder til automatisk seizure detection vil åbne mulighed for intervention. Det forventes at projektet bibringer nye/forbedrede metoder til seizure detection. Neurofysiologisk Klinik råder over stor ekspertise i visuel vurdering af EEG og anfald samt i brug af værktøjer til registrering og analyse. Forudsigelse af anfald indgår på nuværende tidspunkt ikke i afdelingens daglige kliniske arbejde men ønskes indført på sigt. Neurofysiologisk Klinik Rigshospitalet, Epilepsihospitalet Dianalund, Mediko, DTU Elektro og KU samarbejder omkring en række neurofysiologiske projekter, der giver mulighed for projektmæssig synergi.

15 Registrering og analyse af Long Latency Auditory Evoked Potentials Udbyder: Panum og Neurofysiologisk Afd, Rigshospitalet Kontakt: Carsten Eckhart Thomsen Tlf Max antal studerende: 2 Forudsætninger: Elektrofysiologi og Anvendt signalbehandling, samt evt. KU002 Fysiologisk målinger og målemetoder DTU/KU-vejleder: Carsten Eckhart Thomsen, KU Helge B. Sørensen, DTU I projektet tænkes der specielt på det såkaldte P300 respons, der siger noget om koncentration og kognitiv funktion. Registrering af P300 respons har bla. været anvendt til undersøgelse af kognitiv funktion under hypoglykæmiske tilfælde (lavt blodsukker). Projektet kan omfatte en PC/softwarebasereet lyd-stimulator, der leverer output til et sæt hovedtlf., synkron opsamling af 2 kanaler EEG, samt on/off-line signalbehandling af de registrerede sweeps. Signalbehandlingen kan omfatte artefaktundertrykkelse, averaging, registrering af latenstid og amplitude af respons, meget gerne med on-line glidende gennemsnit, som giver mulighed for "peak-tracking". Derved kan skift i latens og/eller amplitude følges on-line i forb. med en undersøgelse. I projektet er der rig mulighed for at kombinere det eksperimentelle arbejde med udvikling og programmering. P300 data haves overlejret på baggrunds-eeg, hvis man ønsker at lægge mere vægt på signalbehandlingen og evt. kombinere det med analyse af ændringer i baggrundsaktiviteten.

16 Udbyder: Klinisk Neurofysiologisk Klinik, Rigshospitalet Kontakt: Overlæge Troels Wesenberg Kjær Tlf Maksimalt antal studerende: 2 Kildelokalisation i epileptiske hjerner Forudsætninger: Humanbiologi og sygdomslære (1+2 sem), elektrofysiologi (5. sem), tilmeldt eller gennemført anvendt signalbehandling (6. sem). KU/DTU-vejleder: Lektor Helge B.D. Sørensen, DTU Elektro hbs@elektro.dtu.dk På Rigshospitalet Neurofysiologiske Klinik laves rutinemæssigt kildelokalisation ud fra anfaldsoptagelser med EEG (electroencephalografi) indsamlet fra patienter indlagt til langtidsobservation i vores EMU (epilepsy monitoring unit). Formålet hermed er at guide neurokirurgen til dipolen i det syge område, så alt det syge væv kan fjernes uden unødigt at skade sundt væv under en epilepsikirurgisk operation. På nuværende tidspunkt optages EEG-signalerne på Stellate Harmonie (v6.0). Filerne indlæses i BESA (Brain electrical source analysis v5.18), hvor dipolanalysen udføres. Der anvendes en række estimationsparametre, som er mere eller mindre empirisk bestemt. Endvidere anvendes en universal flerlaget standard hovedmodel. Uafhængigt heraf råder klinikken over ANT ASA lab (v.4.5) som ligeledes indeholder de nødvendige værktøjer til kildelokalisation. Der er basis for at gennemføre en række projekter, enten med vægt på biologiske parametre som anfaldsfrihed og overensstemmelse mellem kilde-lokalisations og andre diagnostiske modaliteter (f.eks. PET, SPECT, MRI og anfaldssemiologi) eller med vægt på beregningsmæssige opgaver som signalanalyse, segmentering af patientens MR-skanninger til generering af en individuel hovedmodel frem for standard hovedmodellen. Følgende projekter foreslås: 1. Har kirurgen den rigtige del af hjernen? konsekutive epilepsikirurgiske patienter fra arkivet, som har fået foretaget grundig epilepsikirurgisk udredning, men ikke kildelokalisation analyseres med ovennævnte udstyr og graden af sammenfald mellem kildelokalisation og operationsstedet undersøges. 2. Er det nemmere at finde det syge væv i personens egen hjerne? Hvorledes påvirkes den diagnostiske sikkerhed når standardhovedmodeller erstattes med individuelle hovedmodeller.

17 3. Hvilken beregningsmåde er bedst? Værktøjerne ASA og BESA indeholder en række forskellige algoritmer til at estimere kildelokalisation. Der ønskes en vurdering af fordele og ulemper ved de forskellige metoder. 4. Hvor meget kan vi lære af EEG et uden for anfald? Mellem anfald ses ofte betydelig interiktal spike-aktivitet. Der hersker en del videnskabelig uenighed om hvorvidt placeringen af disse spikes hjælper med at forudsige hvor anfaldene starter (iktal aktivitet). Der ønskes en sammenligning af interiktalt og iktalt fokus hos en population af patienter med særlig vægt på om der er forskel på temporallapsepilepsi og ekstra-temporal epilepsi. Den studerende er omfattet af gældende regler om tavshedspligt i patientbehandling.

18 Ca 2+ nanodomæner regulerer signaltransmission i hjernen Intracellulær Ca 2+ er det vigtigste bindeled mellem nervecellers elektriske signalering og cellernes molekylærbiologiske funktioner. Dette har betydning for den dynamiske forståelse af det intracellulære molekylære "interactome" (i.e. de samlede molekylære interaktioner). Det er derfor af relevans at analysere den intracellulære opførsel af Ca 2+ for at forstå f.eks. frigørelse og virkning af hjernens signalstoffer, bl.a. i forbindelse med indlæring og hukommelse. Disse universelle neurofysiologiske problemstillinger kan analyseres eksperimentelt vha. fluoroscensmikroskopiske målinger af intracellulært Ca 2+ og ved hjælp af computersimulationer af Ca 2+ s intracellulære opførsel i submikroskopiske nanodomæner. Af speciel interesse er signaltransmissionen i sansesystemer som f.eks. ligevægtssans og lugtesans. Det konkrete projekt vil blive formuleret i et samarbejde mellem student(er) og vejledere, og kan tilpasses specifikke ønsker og forudsætninger. Ca 2+ simulationer foretages bl.a. med programpakken Comsol, hvorfor kendskab til dette vil være en fordel, men ikke nødvendig. Der vil endvidere være mulighed for at projektet kan omfatte eksperimentelt neurofysiologisk arbejde, inkl. arbejde med levende hjernevæv fra forsøgsdyr, videomikroskopi og signal/billeddataanalyse. Projekterne kan udføres individuelt og i grupper, og der er mulighed for at flere grupper samtidigt kan arbejde med problemstillingen. Faglige forudsætninger: Kendskab til Comsol og Matlab er en fordel, men ikke nødvendig. Udbyder: KU Jens Christian Brasen, Jens Christian Brings Jacobsen, Jens Midtgaard jcbrasen@sund.ku.dk jcbrings@sund.ku.dk jmidtgaard@sund.ku.dk Maksimalt antal studerende per rapport: 2

19 EMG-task-profiles for the use of expossure assesment Projektet ønskes udført som et tillægsstudie til allerede indsamlede kinematiske data (disse kan evt. anvendes i studiet). Med fokus på maler-faget ønskes det forsøgt at lave en EMG-profil for hver af de 10 hårdeste arbejdsopgaver. Det påtænkes at lave en laboratorie-opsætning, hvor disse opgaver imiteres under standardiserede forhold. Under udførslen af opgaverne måles EMGsignaler på udvalgte muskler, unilateralt, i overekstremiteten. På de fleste muskler påtænkes en opsætning med bipolær overfladeelektrode, mens der på m. supraspinatus er planlagt at anvende FineWire elektrodeopsætning. Formålet med forsøget er også at undersøge om der forekommer kønsforskelle i de fremkomne EMG-profiler. Perspektiverne i undersøgelsen er, at de ovennævnte profiler sammen med kinematiske målinger kan anvendes til udarbejdelsen af en præcis eksponeringsbestemmelse for personer i malerfaget. Dette vil være et brugbart redskab i vurderingen af arbejdsbetingede muskuloskeletale lidelser. Udførelsen af projektet kommer til at foregå på Motor Control Laboratory, Panuminstituttet hos Erik B. Simonsen. Faglige forudsætninger: Gerne kendskab til EMG og programmering i MatLab. Dog ikke en nødvendighed Udbyder: Arbejds- og Miljømedicinsk afd. BBH. og Motor Control Laboratory, Panum Kontaktperson: Thomas Heilskov-Hansen (AMED, BBH) Tlf: than0207@bbh.regionh.dk Maksimalt antal studerende per rapport: 2 Forslag til KU-vejleder: Erik B. Simonsen

20 Billeddannelse Ultrasound Elasticity Imaging Manual palpation has been used for centuries in diagnosing diseases. An example is the manual inspection for breast lumps. The basic procedure is to press the tissue and feel how it gives-in. Small tumors cannot be detected reliably and the position and size of the bigger ones cannot be determined. Recently ultrasound elasticity imaging has become useful in detection of cancer. There are still a number of issues to be investigated and optimized to improve the diagnostic use of ultrasound The goal of the project is to implement and compare (benchmark) two or more algorithms for characterizing the elasticity of tissue Free-hand elasticity imaging mimics the palpation procedure. The doctor presses the tissue, and the tissue displacement is recorded using ultrasound imaging. There are number of processing steps - estimation of tissue motion, estimation of strain, compensation for spreading force, estimation of quality of estimates, temporal filtration and image display (incl. choice of color maps etc). Presently BK Medical works on implementing elasticity imaging in the scanners, and the student(s) will participate in the development and optimization of algorithms. This means that you will be working on 1 or 2 stages in the signal processing chain and implement two or more alternative algorithms and benchmark their performance. Faglige forudsætninger: Matlab; Signal Processing Udbyder: BK Medical Aps. Kontaktperson: Svetoslav Nikolov (Phone) sin@bkmed.dk Henrik Jensen (Phone) hj@bkmed.dk Maksimalt antal studerende per rapport: 2 Forslag til DTU-vejleder: Jørgen Arendt Jensen

21 Speckle reduction in ultrasound images Contacts: Martin Christian Hemmsen Phone Peter Møller Hansen Phone Introduction: Ultrasound imaging is a popular non invasive and low cost technique to observe the dynamical behavior of organs. The produced images are degraded by an intrinsic artifact called speckle, which is the result of the constructive and destructive coherent summation of ultrasound echoes. The speckle artifact can be described as multiplicative noise, which leads to granular appearance, degrades the contrast of the images and reduces the ability to detect details within the images. The objective of this project is to perform a survey of existing speckle suppression methods and develop and evaluate methods for speckle suppression. In medical ultrasound imaging, speckle should be filtered out without affecting important features in the image. Two main denoising techniques are currently applied: Compounding, this combines images of the same region to form a single specklereduced image. Filtering. In the literature, numerous methods for speckle suppression are proposed. Some examples of filtering methods are based on adaptive filters, order statistic, anisotropic diffusion and wavelet filters. The project aims at evaluating current state-of-the-art speckle suppression methods and developing a new method based on this evaluation (in Matlab, or another programming environment), which will be able to run on offline images. The evaluations of the methods should be perform through a quantitative analysis of its performance. Prerequisites: Knowledge of Matlab or another programming language and courses in signal or image processing Deliverables: Report and a set of Matlab scripts/functions Ultrasound image of a 23 week old fetus

22 Compound imaging using Synthetic Aperture Sequential Beamforming Contacts: Martin Christian Hemmsen Phone Peter Møller Hansen Phone Introduction: Ultrasound imaging is a popular non invasive and low cost technique to observe the dynamical behavior of organs. The produced images are degraded by an intrinsic artifact called speckle, which is the result of the constructive and destructive coherent summation of ultrasound echoes. The speckle artifact can be described as multiplicative noise, which leads to granular appearance, degrades the contrast of the images and reduces the ability to detect details within the images. The objective of this project is to perform a survey of existing speckle suppression methods and continue the development of compound imaging using Synthetic Aperture Sequential Beamforming. The focus of the project is to perform a phase 2 clinical evaluation in co-operation with medical staff at Rigshospitalet. In medical ultrasound imaging, speckle should be filtered out without affecting important features in the image. Two main denoising techniques are currently applied: Compounding, this combines images of the same region to form a single speckle-reduced image Filtering The project aims at optimizing and continuing the development of compound imaging using Synthetic Aperture Sequential Beamforming, a state-of-theart speckle suppression method. The student will be involved in implementation tasks using Matlab, clinical data acquisition, and evaluation. Ultrasound image of a 23 week old fetus Prerequisites: Knowledge of Matlab, and courses in signal or image processing. Deliverables: Report and a set of Matlab scripts/functions

23 Implementation of flow models in 3D MRI geometries of the human abdominal aorta Contact: Marie Sand Enevoldsen, Phone: , Introduction: Using computer-based simulation models for blood flow quantification is valuable for better understanding the progres-sion of vascular disease. Advances in medical imaging techniques, such as MRI, combined with powerful numerical solution methods provide the tools for construction of detailed patient-specific flow models. In addition, clinical data from systemic arteries reveal that the rheology of the blood is non-newtonian, curves and branches affect the flow conditions significantly, and that the arterial walls are viscoelastic. This contradicts the general assumptions in hemodynamic simulation of vascular disease, where the blood is considered a Newtonian fluid flowing in an inelastic tube. Objective: To investigate different non-newtonian flow models in a subjectspecific geometry of the human abdominal aorta, and benchmark these against the assumption of Newtonian flow. Description: The project includes: 1. Scanning of the abdominal aorta with MRI at the Department of Radiology at Rigshospitalet. Subjects to be scanned are healthy volunteers. 2. Segmentation of the aqcuired 3D MRI data to construct the flow model geometry. 3. Implementation of several non-newtonian flow models (e.g. Carreau, Casson, Power law) in COMSOL Multiphysics and comparison with the Newtonian fluid description. The project outcome should be: 1. Documentation of the MRI scanning and segmentation process. 2. Description of the model implementation in COMSOL Multiphysics. 3. A comparative study of the different flow models. Prerequisites: Fundamental topics in biomechanics and biotransport (bachelor project) Physiological transport phenomena (master project) Experience with model construction in COMSOL Multiphysics Deliverables: Project report

24 Implementation of Blood Velocity Estimator using Parallel Hardware Contact: Jørgen Arendt Jensen Phone: Introduction: A unique ultrasound system is being built at Center for Fast Ultrasound. It has the computational power to produce realtime images and accompanying blood flow maps at high update rate using state-of-the-art methods. The design of the imaging logic is done and the blood flow estimation logic is about to be be developed, based on the best algorithms available to date. Objective: Implementing a blood velocity estimator using parallel hardware. Description: In this project, you will have the chance to experiment with implementing state-of-the-art signal-processing algorithms in context of on-going research projects. You are expected to familiarize yourself with the blood velocity estimator using Matlab simulations, and to make a parallel implementation on one of two target platforms: FPGA or GPU. VHDL project: In this project, you will design a logic block that implements one of two blood velocity estimators, to be realized on an FPGA. A non-parallel and synthesizable VHDL implementation already exists for one of the methods, and can be used as a base for further development. The logic block designed in this project will most likely end up being used in our FPGA-based, research ultrasound scanner SARUS. GPU project: In recent years, GPUs have increasingly been used for non-graphics related parallel computations. In a project targeting GPU implementation, the blood flow estimation will be implemented using the OpenCL programming language. No experience with OpenCL is required, but previous knowledge of C is mandatory. Given sufficient demand, both VHDL and GPU projects can be made. Prerequisites: DL programming and digital design, or C programming Deliverables: Project report

25 Impact of PET reconstruction algorithm on tumour volume and homogeneity in head and neck cancer patients Background: in radiation therapy, information from PET/CT images is used to outline the target volume. Areas of high tracer uptake (such as FDG) are thought to correlate with highly aggressive tumour cells. In present day radiation therapy, a uniform dose of radiation is delivered to the whole tumour. However a new paradigm is emerging suggesting that potentially aggressive subvolumes of the tumour should received an increased dose of radiation based on their tracer uptake (PET activity). This approach is called dose painting. Methods: We propose to investigate the influence of several PET image reconstruction algorithms (iterative, Point spread funtion) on semi-quantitative parameters of the tumour in a dataset from 20 head-and-neck cancer patients. Parameters will include SUVmax and associated ratios (such as 50% of SUV max). Quantitative measures of reproducibility of auto-contouring defined volumes and expert delineations between reconstruction algorithms will be derived. Also, the influence of reconstruction algorithm on the apparent homogeneity of tracer uptake within the tumour will be assessed. Faglige forudsætninger: Matlab el. tilsvarende Udbyder: Rigshospitalet, (Klinik for Klinisk Fysiologi, Nuklearmedicin og PET, Radioterapiklinikken) Kontaktperson: Marianne Aznar Tlf marianne.aznar@rh.regionh.dk Maksimalt antal studerende per rapport: 2 Forslag til KU-vejleder: Søren Holm Forslag til DTU-vejleder: Rasmus Larsen

26 Imaging of Nano-Bio Interfaces The Nano-Bio Integrated Systems group utilizes micro- and nanostructures as tools for biological sciences. Through microfabrication technology, our research group helps carrying out medical and biological studies at the single-cell level by creating micro- and nanosized electrodes and needles for analysis or drug delivery. This project aims at finding suitable imaging techniques to visualize the adherence and possible penetration of mammalian cells to and by nanostructured surfaces. Several kinds of micro- and nanostructures are available in the group, ranging from self-assembled peptide nanowires to 3-dimensional micro-electrodes for cellular penetration. These structures can be utilized by the student in order to find the best structural parameters optimal for cellular penetration, which is a common goal in the research group. Different methods can be used to characterize the way that cells come into contact with the surfaces, including scanning electron microscopy, confocal micriscopy and various staining techniques. Faglige forudsætninger: Basic knowledge about cell culturing and microscope imaging would be desirable but not mandatory. Udbyder: Nano-Bio Integrated Systems (NaBIS) group, DTU-Nanotech Kontaktperson: Maria Dimaki Tlf maria.dimaki@nanotech.dtu.dk Maksimalt antal studerende per rapport: 2 Evt. forslag til DTU-vejleder: Maria Dimaki, Asocc. Prof. at DTU-Nanotech Luigi Sasso, PhD student at DTU-Nanotech Winnie E. Svendsen, Associate Professor at DTU-Nanotech

27 Simulering af effekten af vands diffusion i cellulære miljøer i MRmålinger Diffusionsvægtet MR-billeddannelse er en MR-baseret metode hvor vi kan måle vandmolekylers tilfældige bevægelser, dvs. diffusion, i hjernevæv. Denne metode bliver hyppigt brugt i hjerneforskning, hvor blandt andet nervebaners retning og forløb kan estimeres. Til diffusionsmålinger anvendes som oftest PGSE-sekvensen (Pulsed Gradient Spin-Echo), hvor diffusionen måles over et tidsrum af typisk ms. I løbet af denne tid diffunderer et vandmolekyle i gennemsnit en afstand på ca. 10 μm som er længere end dimensionerne af de fleste celler på ca. 2-5 μm. Vandmolekylernes ellers å sf rie bevægelse begrænses dermed af cellevægge og dermed forvrænges unik information om det intracellulære miljø. En alternativ metode er at bruge oscillerende gradienter, OGSE (Oscillating Gradient Spin-Echo), hvor den effektive diffusionstid kan forkortes til under 1 ms hvorved vi mindsker sandsynligheden for at molekyler oplever en restriktion. PGSE-sekvenser bruges allerede i dag klinisk for tidligt at detektere tumorer og læsioner fra f.eks. stroke eller multipel sklerose, hvor mere konventionel MR-billeddannelse ikke er i stand til at detektere forandringer. Vi håber at vi ved hjælp af OGSE-sekvenser vil være i stand til bedre at forstå baggrunden for disse forandringer og måske give mere præcise diagnoser og bedre behandling til individuelle patienter i fremtiden. Vi har i dag OGSE-sekvenser implementerede på vores eksperimentelle 4.7 tesla dyreskanner. For bedre at forstå eksperimentelle resultater er simuleringer af vandmolekylers bevægelse i hjernevæv et brugbart værktøj hvor vi præcist kan efterligne cellers geometri og afprøve effekten af forandringer i en kendt mikrostruktur. Formålet med dette projekt er at opstille et simuleringsværktøj for OGSE-sekvensen og afprøve dette på realistiske modeller af hjernevæv. Dette arbejde vil hovedsageligt udføres i MATLAB. Projektet vil udover dette give indblik i MR-baserede målemetoder og det vil være muligt at komplementere simuleringer med målinger på vores skanner. Projektets deltagere vil blive en del af Diffusion Imaging Group på DRCMR (dig.drcmr.dk) og få indblik i en række spændende projekter hvor hjernen er i fokus. Faglige forudsætninger: Medical MRI, Kendskab til programmering i Matlab Udbyder: Danish Research Centre for Magnetic Resonance (DRCMR), Hvidovre Hospital (Lise Vejby Søgaard, Tim B. Dyrby, Henrik Lundell, Lars G. Hanson) Kontaktperson: Henrik Lundell Tlf lundell@drcmr.dk Maksimalt antal studerende per rapport: 1 (evt. 2) Forslag til DTU-vejleder: Lars G. Hanson

28 Simulation of ultrasound (US) images from CT images Contact: An Hoai Pham Phone: Introduction: Can we generate realistic simulated US images from CT images? Realistic simulated US images can be used as a training tool for medical US doctors. In addition to training with real patients, the medical US doctors can do the self-training with a machine that generates realistic US images. The CT data set are used because CT scanner is a common standard instrument in every hospital. From the same CT data set, simulated US images of the same object can be generated from many different positions and angles of transducer and the surface of the object. Objective: Direct simulation from the CT images to the US images could not capture the shadow and the enhancement effects in the measured US images. The shadow effect in the measured US images appeared when US travel from one medium that have low density to another one that have high density. The shadowing in US images has previously been simulated by some scientific groups with different approaches. But they do not look realistic. The aim of this work is to perfect the simulation of shadowing effects and if possible, enhancement effects to generate more realistic US images from CT images. (An example is present in Figure 1) 35 a) 0 35 b) 0 35 c) Axial distance [mm] Axial distance [mm] Axial distance [mm] Lateral distance [mm] -60 [db] Lateral distance [mm] -60 [db] Lateral distance [mm] [db] -60 Figure 1. Cross section of a 220 mm long cod at 130 mm from the nose tip. Measured ultrasound image (a), direct simulated US image from CT image (b), simulated ultrasound image using the new method (c)

29 Description: There are experimental works as well as simulation in this project. An object will be chosen to be scanned with both US and CT scanner. The measured US images will be used as a reference for assessment by visual inspection of the simulated US images. The CT images will be used to generate the simulated US images using Field II and/or beamformation toolbox (BFT2 or BFT3). The CT scan will be done at Righospitalet, Copenhagen University. The US scan will be done at the Center for Fast Ultrasound imaging (CFU) in Kgs. Lyngby. Prerequisites: Matlab, basic linux, image processing Deliverables: Project report