Modeling and simulation of diffusion - TEL - Thèses en ligne Access content directly
Habilitation À Diriger Des Recherches Year : 2013

Modeling and simulation of diffusion

Modélisation et simulation de la diffusion

Jing-Rebecca Li

Abstract

The first part of this thesis concerns the formulation of numerical methods that are local in time for the solution of equations with memory. The main idea is that the solution will be updated in the Fourier domain in order to avoid evaluating time convolution integrals that have memory. This work was made possible by the development of a good quadrature\cite{Greengard2000} of the Fourier integral where a small number of points in the Fourier variable were sufficient for a good resolution of the problem in the physical space over a large time interval. First, we developed a numerical method to simulate diffusion in unbounded domains with sources and applied it to the modeling of crystal growth using the phase field model. Then, in order to extend this approach to boundary value problems, we addressed the issue of evaluating the single and double layer potentials on the boundary. Finally, we generalized the idea of replacing time convolution integrals by an efficient quadrature in the transform domain to fractional integrals and derivatives for general fractional orders and obtained a rigorous bound on the quadrature error. Then we applied this approach to a fractional wave equation. The second part of the thesis concerns the specific application of diffusion magnetic resonance imaging (dMRI) in the brain. The effect on the MRI signal of the water proton magnetization in biological tissue in the presence of magnetic field gradient pulses can be modeled by a {\it microscopic} multiple compartment Bloch-Torrey partial differential equation (PDE). This PDE can be best understood as imparting a spatially dependent frequency to diffusing particles in a heterogeneous medium. The dMRI signal is the integral of the solution of this PDE at the echo time. First, we numerically solved this PDE by coupling a standard Cartesian spatial discretization with an adaptive time discretization and studied the diffusion characteristics of a tissue model of the brain gray matter made up of cylindrical and spherical cells embedded in the extra-cellular space. Next we formulated a new {\it macroscopic} ODE model for the dMRI signal by mathematical homogenization. Then we showed by numerical simulations that this ODE model gives a good approximation of the dMRI signal of the full PDE model at relatively long but still physically realistic diffusion times relevant to dMRI in the brain. Finally, I will describe some future research directions in dMRI. The first is the experimental validation of the PDE model by imaging the ganglia (neuronal network) of the Aplysia (giant sea slug), to be conducted at the MRI center Neurospin. The second is the inclusion of blood flow in the bran micro-vessels in a new PDE model. The third is the formulation of a different ODE model valid at shorter diffusion times or in the presence of larger cells.
Deux concepts très importants dans mes travaux sont ceux de la diffusion (mouvement aléatoire des particules) et de ceux de la transformée de Fourier. La diffusion des particules peut être décrite par l'équation de la diffusion, dont la solution fondamentale a un forme beaucoup plus complexe que sa transformée de Fourier. Tout d'abord, nous profitons de la forme spéciale de la transformée de Fourier (dans l'espace) de la fonction de Green de l'équation de diffusion pour formuler des méthodes numériques qui sont locales en temps pour la solution des équations avec mémoire. L'idée principale est que la solution sera calculée dans le domaine de Fourier, pour éviter d'évaluer les intégrales de convolution en temps portent la " mémoire ". Ce travail a été rendu possible par le développement d'une quadrature adaptée de l'intégrale de Fourier où un petit nombre de points dans la variable de Fourier était suffisant pour une bonne résolution du problème dans l'espace physique, sur un intervalle de temps important. En particulier, nous avons développé une méthode numérique pour simuler la diffusion dans des domaines non bornés avec sources et l'avons appliquée à la modélisation de la croissance des cristaux, à l'aide du modèle du champ de phase. Puis, afin d'étendre cette approche à des problèmes aux limites, nous avons abordé la question de l'évaluation des potentiels de simple couche et de double couche sur le bord du domaine. Enfin, nous avons généralisé l'idée de remplacer les intégrales de convolution en temps par une quadrature efficace dans le domaine de Fourier, aux intégrales et aux dérivés d'ordres fractionnaires, et obtenu une borne rigoureuse de l'erreur de quadrature. Nous avons aussi appliqué cette approche à une équation des ondes fractionnaire. En 2010, j'ai commencé à appliquer les outils numériques et analytiques à l'équation de Bloch-Torrey, dans le domaine de l'imagerie par résonance magnétique de la diffusion (IRMd) du cerveau. Ce travail a commencé dans le cadre d'une collaboration avec des physiciens d'IRM de Neurospin. Nous avons essayé d'expliquer la relation entre la géométrie cellulaire, la perméabilité membranaire et le signal d'IRMd obtenu. Certaines difficultés de la modélisation et de la simulation du signal d'IRMd au niveau de l'échelle de temps et de l'espace viennent de la physique et de la biologie d'IRMd du cerveau. Premièrement, pour des raisons biologiques et techniques, l'IRMd ne peut mesurer que des temps de diffusion compris entre une et cent millisecondes, correspondant à une distance de diffusion moyenne de 2,5 à 25 micromètres. Cette distance est moyennée sur toutes les molécules d'eau, et la distance de diffusion réelle peut être différente selon que la localisation, au début de la mesure, des molécules d'eau : dans les corps neuronaux, dans les neurites (dendrites et axones) ou dans l'espace extra-cellulaire. Deuxièmement, certaines caractéristiques de la matière grise du cerveau rendent l'analyse et la simulation très difficiles: \begin{enumerate} \item Les cellules sont géométriquement complexes. Les neurones ont un corps solide, mesurant 1 à 10 micromètres de diamètre auquel sont attachés de longues neurites (axones et dendrites) qui mesurent de l'ordre d'un micromètre de diamètre et de plusieurs centaines de micromètres de longueur. \item Les cellules ont une répartition très dense. Les corps neuronaux occupent 12\% du volume du cortex cérébral, les axones 34\%, les dendrites 35\%, l'espace extracellulaire 6\%, pour une largeur moyenne de 10 à 30 nanomètres. \item L'organisation cellulaire est complexe. Les cellules du cortex sont organisées en couches, avec des colonnes de cellules liant différentes couches. \item Les cellules sont perméables. En général, l'eau peut se déplacer entre les cellules et l'espace extracellulaire. \end{enumerate} La résolution d'IRMd est de l'ordre de 1 mm$^3$, ce qui signifie que chaque pixel de l'image affiche les caractéristiques de diffusion moyennées dans un volume de tissu (voxel) de 1 mm$^3$, ce qui est très grand devant les échelles spatiales cellulaires. Pour modéliser le signal de l'IMRd dans un voxel, il faut simuler l'aimantation à l'intérieur de ce voxel et calculer son intégrale au moment de l'écho. La distance de diffusion moyenne ne dépassant pas 25 micromètres, il suffit de faire le calcul dans un domaine légèrement plus grand qu'un voxel pour tenir compte de la diffusion de toutes les molécules d'eau qui auront " vu " ce voxel durant le temps de diffusion. De plus, si nous supposons que le voxel contient un environnement cellulaire qui ne varie pas beaucoup à dans le voxel, nous utilisons un domaine de calcul plus petit, celui-ci devra ne contenir qu'une " portion représentative " du tissu dans le voxel. Pour étudier le lien entre l'atténuation du signal d'IRMd et les propriétés géométriques du tissu, tels que le diamètre moyen des cellules et la fraction volumique cellulaire, nous avons généré, dans un premier temps, des domaines de calcul qui contiennent une configuration cellulaire à étudier. A terme, nous envisageons des simulations sur beaucoup de configurations pour obtenir des résultats statistiquement significatifs. Actuellement, nous construisons une seule configuration cellulaire et résolvons le problème forward et inverse associé. Le signal d'imagerie par résonance magnétique de diffusion dans le tissu biologique peut être considéré comme une sorte de " transformée de Fourier " de la fonction de densité de probabilité de déplacement de l'eau dans les milieux hétérogènes. L'aimantation des protons de l'eau en tissu biologique en présence d'impulsions du gradient de champ magnétique, peut être modélisée par une équation aux dérivées partielles (EDP), l'équation de Bloch-Torrey microscopique à compartiments multiples. Cette EDP peut être comprise comme l'attribution aux molécules d'eau en milieu hétérogène, d'une fréquence spatiale qui dépend de leurs positions. Le signal d'IRMd est l'intégrale de la solution de cette EDP au moment de l'écho. Nous avons résolu numériquement cette EDP en couplant une discrétisation spatiale cartésienne standard avec une discrétisation en temps adaptative (Runge-Kutta Chebyshev " RKC ") et nous avons étudié les caractéristiques de la diffusion d'un modèle de la matière grise du cerveau constitué de cellules cylindriques et sphériques dans l'espace extracellulaire. Puis, par homogénéisation, nous avons formulé un nouveau modèle macroscopique, sous forme d'un système d'équations aux dérivées ordinaires (EDO), pour le signal d'IRMd. Ensuite, nous avons montré par des simulations numériques que ce modèle d'EDO donne une bonne approximation du signal du modèle d'EDP complet pour des temps de diffusion relativement longs. Je mentionne aussi le travail de deux doctorants que je co-encadre actuellement. Dang Van Nguyen (soutenu par le projet SIMUDMRI, ANR COSINUS 2010-2013) a couplé une discrétisation d'éléments finis avec la méthode RKC pour obtenir une discrétisation plus précise des surfaces cellulaires. Il travaille sur l'analyse du signal de l'IRMd des neurones isolés. Huan Tuan Nguyen (soutenu par une bourse de l'École Doctorale " Sciences et Technologies de l'Information, des Télécommunications et des Systèmes " ED STITS, 2010-2013) travaille sur le problème inverse du modèle d'EDO. Enfin, j'envisage trois orientations futures de mes recherches dans l'IRMd. \begin{enumerate} \item En collaboration avec le centre Neurospin IRM, confronter les résultats numériques du modèle d'EDP avec les données expérimentales IRMd des ganglions (réseaux neuronaux) de l'Aplysie (limace de mer géante). \item Prendre en compte l'écoulement sanguin dans les micro-vaisseaux du cerveau, via un nouveau modèle d'EDP. \item Obtenir la formulation d'un nouveau modèle d'EDO valable aux temps de diffusion plus courts ou en présence des cellules plus grandes. \end{enumerate}
Fichier principal
Vignette du fichier
main_final.pdf (5.18 Mo) Télécharger le fichier
Loading...

Dates and versions

tel-00925028 , version 1 (07-01-2014)

Identifiers

  • HAL Id : tel-00925028 , version 1

Cite

Jing-Rebecca Li. Modeling and simulation of diffusion. Modeling and Simulation. Université Paris Sud - Paris XI, 2013. ⟨tel-00925028⟩
986 View
768 Download

Share

Gmail Facebook X LinkedIn More