Maligne Lymphome stellen die siebt häufigste Todesursache
in der westlichen Welt dar. Die Therapie der Patienten
sowie die Prognose hängen entscheidend vom
Ausbreitungsmuster der Erkrankung ab, was die wiederholte
bildgebende Diagnostik des gesamten Körpers erfordert.
Zukünftig wird vermehrt die Ganzkörper-
Magnetresonanztomographie an Bedeutung gewinnen, weil
damit Aufnahmen ohne Repositionierung während der
Akquisition möglich sind. Allerdings umfasst
ein typischer Datensatz einer solchen Ganzkörper MRT im
Durchschnitt ein Volumen von 512x410x1400 Voxel.
Derartige Datensätze können in der klinischen Routine
ohne rechnergestützte Hilfe nicht mehr vollständig einer
zeitnahen und zuverlässigen Evaluierung unterzogen
werden, insbesondere wenn diese mit vorangegangenen
Untersuchungen verglichen werden müssen. Das Projekt
befasst sich mit der Entwicklung effizienter Methodiken
zur rechnergestützten Auswertung großer medizinischer
Datensätzen sowie zeitlicher Sequenzen. Durch das
Hervorheben
medizinisch relevanter Bereiche in den Bilddaten wird der
Mediziner bei der Diagnostik unterstützt und somit eine
höhere Effektivität und Kosteneffizienz im klinischen
Alltag erreicht. Der Schwerpunkt liegt dabei auf der
Behandlung von Lymphompatienten, wobei eine
Verallgemeinerung der entwickelten Verfahren möglich sein
soll. 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.