Die Bearbeitung dieses Projekts erfordert eine sehr enge interdisziplinäre Zusammenarbeit von Informatikern und Medizinern. Die beteiligten Gruppen sind einerseits der Lehrstuhl für Mustererkennung (Informatik 5), der Friedrich-Alexander Universität Erlangen-Nürnberg, sowie die Radiologie und Nuklearmedizin der Charité, Campus Benjamin-Franklin, Berlin. Der Aufgabenbereich des Lehrstuhls bezieht sich auf die Entwicklung neuer effizienter Methodiken zur Bearbeitung von großen medizinischen Datensätzen, wobei diese auf die Anwendbarkeit im klinischen Umfeld und die Validität von den beteiligten Medizinern untersucht werden.

Strukturell kann das Projekt in zwei nahezu disjunkte Ansätze untergliedert werden: Zunächst wird die Detektion von Lymphomen in MRT Aufnahmen einer Untersuchung betrachtet. In der zweiten Phase wird dann die Lokalisation von Knoten in zeitlichen Sequenzen von MRT Aufnahmen bearbeitet.

Detektion von Lymphknoten in einer Studie

Die Detektion von Lymphknoten innerhalb einer MRT Studie basiert auf der Untersuchung mehrerer Wichtungen von MRT Datensätzen. Bei den in Frage kommenden Sequenzen handelt es sich primär um solche, die bei Routineuntersuchungen verwendet werden, z.B. T1-gewichtet, T2-gewichtet, FLAIR oder TIRM Sequenzen. Bei der Auswahl spielt die benötigte Akquisitionszeit eine wichtige Rolle. Erste Experimente zeigten, dass vor allem T1-gewichtete und TIRM Aufnahmen für die Segmentierungs- und Lokalisationsalgorithmen vielversprechend sind. Um beide Datensätze vergleichen zu können werden diese in einem initialen Vorverarbeitungsschritt registriert. Hierbei wird vorausgesetzt, dass die beiden Volumina bereits nahezu perfekt zueinander ausgerichtet sind, da sich der Akquisitionszeitpunkt nur marginal unterscheidet. Trotz allem wird, um kleinere Bewegungen des Patienten auszugleichen, eine nicht-starre Registrierung der Daten vorgenommen. Da hierbei zwar Datensätze der gleichen Modalität, aber unterschiedlicher Wichtungen betrachtet werden, wird auf multi-modale Ansätze zurückgegriffen. Allerdings muss dabei die Plausibilität der Ergebnisse (z.B. die Stärke der Deformation) im Auge behalten werden, um das Problem der Detektion nicht weiter zu erschweren. Zur Lokalisation der Lymphknoten werden ausschließlich statistische Methoden verwendet. Dies hat zwei Vorteile: Erstens liefern diese im Allgemeinen Wahrscheinlichkeiten über das Vorhandensein von Lymphknoten, was sich direkt mit dem Projektziel deckt, Zweitens sind diese oftmals generischer einsetzbar und damit die entwickelten Methodiken weitgehend von der Anwendung unabhängig. Hierbei werden verschiedene Klassen von Ansätzen betrachtet. Diese basieren einerseits auf der Clusterbildung der Datensätze durch eine Klassifikation der Voxel eines Datensatzes (z.B. mittels Fuzzy C-Means oder Markov Zufallsfelder basierter Methoden) und andererseits der Vorverarbeitung mit statistischen Methoden durch beispielsweise probabilistische Differenzbildung und probabilistische Grauwertadaption.

Detektion von Lymphknoten in zeitlichen Sequenzen

Ein weiterer Schwerpunkt des Projekts ist die Detektion von Lymphomen in zeitlichen Sequenzen von Ganzkörper MRT Aufnahmen. Hier erweist sich eine automatische Vorverarbeitung für den Mediziner als sehr wünschenswert, da er andernfalls Datensätze mehrerer Zeitpunkte sichten muss, was in der Regel sehr zeitintensiv ist. Da die einzelnen Volumina zu verschiedenen Zeitpunkten akquiriert wurden, werden diese zunächst starr transformiert, so dass sie weit möglichst deckungsgleich sind. Darauffolgend wird eine nicht-starre Registrierung durchgeführt. Als Ergebnis erhält man ein Vektorfeld, welches die Deformation zwischen den Datensätzen charakterisiert, so dass diese bezüglich eines Abstandsmaßes ideal zueinander passen. Damit beschreibt dieses Deformationsfeld auch die Volumenänderung von sich entwickelnden Strukturen, wie beispielsweise Läsionen. Wachsende Strukturen sind als mathematische Quelle und schrumpfende als Senke erkennbar. Zusammen mit den Informationen über die Position von Lymphknoten, welche durch die Lokalisation in Datensätzen eines Zeitpunktes bestimmt wurden, werden die Veränderungen innerhalb des Deformationsfeldes zur Detektion verwendet. Um Informationen aus Differenzbildern zugänglich zu machen müssen die Datensätze ebenso nicht-starr Registriert werden. Allerdings wird dabei eine weit stärkere Regularisierung des Deformationsfeldes benötigt, als im Falle der Detektion innerhalb einer Studie.

Präsentation der Ergebnisse

Das Ziel des Projektes ist nicht das Treffen einer endgültigen medizinischen Aussage, sondern der Verweis auf für die Diagnose interessante Bereiche innerhalb der Datensätze um die benötigte Zeit der Sichtung zu reduzieren. Hierfür werden die Ergebnisse der Lokalisation mit Hilfe einer Wahrscheinlichkeitskarte dem Anwender zugänglich gemacht. Dieser kann die Darstellung durch die Wahl eines Konfidenzintervalls seinen Ansprüchen anpassen.