Deep-Learning basierte Charakterisierung der retinalen Gefäßpathologie und deren Anwendbarkeit für die Prognoseabschätzung bei Patienten mit Multipler Sklerose

• Antragsteller: Privatdozent Dr. Benjamin Knier; Dr. Martin Menten; Professor Dr. Daniel Rückert, Ph.D.
• Fachliche Zuordnung: Klinische Neurologie; Neurochirurgie und Neuroradiologie ; Augenheilkunde ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 528297171

Die Multiple Sklerose ist eine entzündliche Erkrankung des zentralen Nervensystems. Neben entzündlichen und neurodegenerativen Läsionen in Gehirn und Rückenmark finden sich bei vielen Patientinnen und Patienten Alterationen der Netzhaut. Zuletzt ergaben sich Hinweise, dass sich im Zuge der Multiplen Sklerose auch Veränderungen an den Netzhautgefäßen einstellen. Unter Verwendung der optischen Kohärenztomographie Angiographie (OCTA) konnten wir rezent zeigen, dass es im Rahmen der Multiplen Sklerose unabhängig von einer Sehnerventzündung zu einem Gefäßverlust des oberflächlichen retinalen Gefäßplexus kommt. Diese Gefäßveränderungen sind mit einem entzündlichen Immunphänotyp assoziiert und könnten prädiktiv für einen ungünstigen Erkrankungsverlauf sein. Das zugrundliegende pathologische Korrelat dieser Auffälligkeiten ist unverstanden. OCTA Aufnahmen beinhalten eine Fülle an Informationen, jedoch ist ein Großteil aufgrund fehlender Analysetools für wissenschaftliche und klinische Fragestellungen nicht zugänglich. Obwohl mittels OCTA dreidimensionale Datensätze erhoben werden, verwenden aktuell verfügbar Algorithmen lediglich ein zweidimensionales en face Abbild der Netzhaut und leiten daraus einfache Messwerte zur Charakterisierung der Netzhautgefäße ab. Darüber hinaus ist die OCTA-Technik anfällig für verschiedene Bildgebungsartefakte und bisher existieren keine etablierten Prozesse zur Qualitätskontrolle der Aufnahmen, was den routinemäßigen Einsatz innerhalb der Neurologie und Ophthalmologie limitiert. Aufbauend auf unsere Vorarbeiten sollen im Zuge des Forschungsvorhabens Deep-Learning basierte Softwareapplikationen entwickelt werden, die eine automatisierte und standardisierte OCTA Qualitätskontrolle ermöglichen. Zudem wird eine OCTA-Segmentierungspipeline erstellt, die eine Extraktion zahlreicher quantitativer Messwerte aus dem dreidimensionalen OCTA-Datensatz ermöglicht. Durch Kombination dieser Anwendungen soll eine detaillierte und tiefgehende Charakterisierung der retinalen Gefäßpathologie von Patientinnen und Patienten mit schubförmig remittierender Multipler Sklerose erfolgen. In einem finalen Schritt sollen Alterationen innerhalb der Netzhaut-Gefäßarchitektur identifiziert werden, die prognostische Relevanz für den zukünftigen Erkrankungsverlauf haben könnten. Wir erhoffen uns dadurch, neue Einblicke in die Pathophysiologie der Multiplen Sklerose zu erhalten und Biomarker zu detektieren, die das klinische Management sowie und Prognoseabschätzung betroffener Patientinnen und Patienten erleichtern können. Durch dieses Forschungsvorhaben sollen neuartige Applikationen zur standardisierten, detaillierten und quantitative Analyse von OCTA-Bildgebungsdaten entwickelt werden. Diese Applikationen und Tools sind nicht nur bei neuroimmunologischen Erkrankungen anwendbar, sondern auch für neurodegenerative, neurovaskuläre und vor allem ophthalmologische Krankheitsbilder hochrelevant und nützlich.

• DFG-Verfahren: Sachbeihilfen