Interpendente 3D Segmentierung abdominaler Organe in MR Datensätzen mit mehrfach kombinierten Level Set Methoden in organspezifischen Wahrscheinlichkeitsdatensätzen

• Antragsteller: Dr. Oliver Gloger
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2013 bis 2017
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 238197702

Die Segmentierung von abdominalen Organen in medizinischen Bilddaten bietet vielseitige Möglichkeiten, um diagnostische sowie epidemiologische Standards zu verbessern und ist deshalb von besonderem Interesse, um die Entwicklung von wertvollen Erkenntnissen in der modernen medizinischen Forschung zu beschleunigen. Dieser Projektvorschlag ist für 3D-Segmentierungen einer epidemiologischen Studie konzipiert, bei der 3500 Magnetresonanz (MR)-Datensätze von Probanden einer Bevölkerungsstudie erzeugt werden, welche deren abdominellen Körperbereich abbilden. Manuelle Segmentierungen von Oberbauchorganen sind sehr aufwendig, was die Entwicklung automatischer Segmentierungshilfen erfordert. Obwohl die vollautomatische 3D-Segmentierung in medizinischen Bilddaten eine große Herausforderung darstellt, besteht die besondere Motivation in diesem Projekt darin, ein vollautomatisches und hochwertiges Segmentierungssystem (SeS) zu entwickeln, das mehrere Oberbauchorgane gleichzeitig segmentiert.Ansätze zur Multi-Organ-Segmentierung grenzen benachbarte Organe gleichzeitig in einer kombinierten Segmentierungsstrategie ab und können deshalb Übersegmentierungen effektiver reduzieren als Einzel-Organ-Ansätze. Bestehende Multi-Organ-Ansätze sind jedoch nur für CT-Daten konzipiert und weisen gravierende Nachteile auf. Wir schlagen neuartige, automatische Methoden zur Segmentierung in MR-Datensätzen vor, die Vorwissen über organspezifische Merkmale nutzen und sie in erweiterten Algorithmen in ein hierarchisches, mehrstufiges SeS integrieren.In Vorarbeiten zeigten wir, dass Wahrscheinlichkeitsdatensätze (WDS) die Segmentierung einzelner Organe effizient unterstützen. Wir werden dieses erfolgreiche Konzept auf die Multi-Organ-Segmentierung ausweiten und dabei wichtige Organeigenschaften integrieren. Da einige Organe lokal variierende MR-Intensitätsverteilungen aufweisen, werden wir innere Organpositionen berücksichtigen. Leistungsstarke, überwachte Lernverfahren werden eingesetzt, um unter Berücksichtigung von relevanten Organmerkmalen aussagekräftige WDS zu erzeugen. Wir werden besondere Anforderungen von epidemiologischen Studien berücksichtigen, wie gewebstypenbezogene Organsegmentierungen und die Erkennung von potentiell entfernten Organen infolge von chirurgischen Eingriffen.Ein gekoppelter Level-Set-Ansatz wird folgen, der in organspezifischen WDS mehrere Organe nach einer interdependenten Strategie gleichzeitig segmentiert. Jedes 0-Level-Set grenzt ein Organ ab und wird durch die Minimierung organspezifischer Energieterme gesteuert. 3D-Formdeskriptoren werden verwendet, um exakte Organformverteilungen zur Verwendung im Level-Set-Ansatz zu lernen. Das modularisiertes SeS wird hierarchisch organisiert sein um Leber, Nieren und Milz in der ersten Stufe sowie Galle und Pankreas in der zweiten Stufe zu segmentieren. Somit kann es auch für künftige Einsätze flexibel erweitert werden und wird zudem besonders wertvoll für klinische Anwendungen sein.

• DFG-Verfahren: Sachbeihilfen