LIZARD - LIver-ResektionsZonenvorhersage mit bildbAsiertem und geometRischem Deep Learning

• Antragstellerinnen: Dr. Florentine Huettl; Professorin Dr.-Ing. Sylvia Saalfeld
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 547369510

Nach Herz-Kreislauf-Erkrankungen stellen Krebserkrankungen die zweithäufigste Todesursache dar, wobei die Leber am häufigsten von primären und metastatischen Läsionen betroffen ist. Aufgrund der Komplexität der Leberanatomie und ihrer hohen interindividuellen anatomischen Variabilität erfordert die Leberchirurgie eine patientenindividuelle, sorgfältige präoperative Planung in Abhängigkeit von der Lage und Ausdehnung der Tumormasse. Für die Operationsplanung werden aus den tomographischen CT- oder MRT-Datensätzen 3D-Rekonstruktionen der Leber, der zuführenden und ableitenden Gefäße, des Tumors und der Gallengänge erstellt. Darüber hinaus wird der Resektionsplan um den Tumor herum oft manuell oder halbautomatisch erstellt, was zeitaufwändig und benutzerabhängig ist. Das LIZARD-Projekt zielt darauf ab, die auf Deep Learning-basierende Segmentierung, Oberflächenmodellgenerierung und Oberflächenmodellverformung für eine patientenspezifische Resektionsplanung in der Leberchirurgie zu nutzen. Wichtiger Teil des Vorhabens ist die Erstellung einer Trainingsdatenbank, die darüber hinaus eine Klassifizierung der Leberanatomie ermöglichen wird. Zusätzlich werden klinische Daten integriert, um die bildbasierten Methoden zu verbessern. Somit kann die Tumorentität berücksichtigt werden und eine systematische Ausweitung auf Patient:innen mit multiplen Läsionen kann erfolgen. Das Vorhaben zielt auf die Entwicklung angepasster Deep-Learning-Strategien, die es Leberchirurg:innen, Radiolog:innen und klinischen Forscher:innen ermöglichen, das Volumen von Leberresektionen vorherzusagen, so dass die Genauigkeit und Interpretierbarkeit der trainierten Netze kontrolliert und verbessert wird. Da an diesem interdisziplinären Forschungsprojekt Informatiker:innen und Mediziner:innen beteiligt sind, ist die Interpretierbarkeit der trainierten Netzwerke entscheidend. Darüber hinaus werden die anatomischen Regionen welche maßgeblich von den geometrischen Deep-Learning-Ansätzen analysiert werden ausgewertet. Schließlich wird eine kritische klinische Evaluation durchgeführt und das Expert:innenfeedback integriert. Mit den vorgeschlagenen Deep-Learning-Strategien streben wir eine leicht zugängliche und schnelle Lösung an, die (sobald sie trainiert ist) weder teure Hardware noch hochqualifiziertes Fachpersonal benötigt. Als Ergebnis ermöglicht das LIZARD-Projekt die Bewertung der Patient:innen und die Zuweisung zu spezialisierten Zentren auf der Grundlage der Komplexität der Resektion aufgrund des Tumorzustands, der Lokalisierung und der Größe. Dies wiederum ermöglicht es mehr Patient:innen eine potentiell kurative Therapie zu ermöglichen.

• DFG-Verfahren: Sachbeihilfen