Multi-organ Bauchsegmentierung mit Mesh-basierten Bayesschen Neuronalen Netzen

• Antragsteller: Professor Dr. Christian Wachinger
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik ; Epidemiologie und Medizinische Biometrie/Statistik ; Radiologie
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 460880779

Aktuelle Populationsstudien werden eine noch nie dagewesene Ressource der Magnetresonanztomographie (MRT) des Abdomens liefern, die neue wissenschaftliche Entdeckungen und die Identifizierung von bildgebenden Biomarkern ermöglichen könnte. Die Datenanalyse in einem so großen Maßstab wird jedoch neuartige, vollautomatische Ansätze erfordern. Ein entscheidender erster Schritt für viele Analyseaufgaben ist die Segmentierung von Organen, die bei manueller Durchführung sehr zeitaufwändig ist. Gegenwärtig gibt es keine Softwaretools für die vollautomatische und robuste Segmentierung von Bauchorganen in der MRT. Die automatisierte Segmentierung ist aufgrund von Bildgebungsartefakten, begrenzter Auflösung und anatomischer Variabilität eine anspruchsvolle Aufgabe. Um diese Probleme anzugehen, werden wir einen neuartigen Ansatz entwickeln, der auf den jüngsten Fortschritten im Bereich des Deep Learning basiert.Das Ziel dieses Antrags ist die Entwicklung eines mesh-basierten tiefen neuronalen Netzes für die Segmentierung von Bauchorganen in MRT-Populationsstudien. Die sieben Organe, die wir segmentieren werden, sind: Leber, Bauchspeicheldrüse, Milz, linke/rechte Niere und linke/rechte Nebenniere. Mit unserer Methode wird das Organmesh direkt geschätzt, ohne dass ein unabhängiger Schritt zur Mesherstellung erforderlich wäre. Darüber hinaus können wir durch die explizite Kontur zusätzliche geometrische Bedingungen während des Trainings durchsetzen. Von besonderem Interesse wird das Design eines äußerst robusten Netzes sein, welches wir durch das Einbringen von anatomischem Vorwissen erreichen wollen. Darüber hinaus wollen wir konsistente Segmentierungen über Datensätze hinweg erreichen, indem wir adversarial Training anwenden. Wir werden ferner einen neuen Ansatz für die automatisierte Qualitätskontrolle von Segmentierungen entwerfen, indem wir die Unsicherheit der Segmentierung mit einem Bayes'schen Ansatz berechnen. Im Gegensatz zu früheren Arbeiten werden wir dabei nicht die Unsicherheit pro Voxel, sondern pro Meshknoten schätzen. Abschließend werden wir zusätzliche technische Neuerungen einfügen damit das Netzwerk in den GPU-Speicher passt und mit einer begrenzten Anzahl von annotierten Bildern trainiet werden kann. Die entwickelte Methode ist für die groß angelegte Analyse von Populationsdaten bestimmt und wird es den Forschern ermöglichen, die Eigenschaften der Bauchorgane mit der Fülle anderer in diesen Studien verfügbaren Daten zu untersuchen. Die wichtigsten Vorteile unseres Ansatzes sind: (i) Robustheit, die zuverlässige Segmentierungen ohne manuelle Interaktionen ermöglicht, (ii) Konsistenz, die gemeinsame Analysen über Populationsstudien hinweg ermöglicht, (iii) automatisierte Qualitätskontrolle, ohne dass die Segmentierungsmasken manuell überprüft werden müssen. Das Projekt wird den Stand der Technik in der medizinischen Bildsegmentierung vorantreiben und neue Möglichkeiten zur Analyse von Bauchorganen in Populationsstudien ermöglichen.

• DFG-Verfahren: Sachbeihilfen