Unsicherheit in der medizinischen Visualisierung: Zusammenbringen von Bildgebungs- und Simulationsunsicherheit

• Antragsteller: Professor Dr.-Ing. Lars Linsen; Professor Dr. Tobias Preusser
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2013 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 241370238

Visualisierungsmethoden sind zu einem integralen Teil der klinischen Routine geworden, die Diagnose, Behandlungsplanung und intraoperative Assistenz unterstützen. Die medizinischen Visualisierungen werden unter gewissen Annahmen generiert, die den medizinischen Experten üblicherweise nicht bewusst gemacht werden und die in möglichen Abweichungen des gezeigten Bildes von den tatsächlichen Gegebenheiten resultieren können. Daher fassen die medizinischen Experten die Visualisierung oftmals als wahres Bild auf und interpretieren es als solches. Entscheidungen werden zumindest teilweise anhand dessen getroffen. Die medizinische Visualisierungspipeline, die vom eigentlichen Bildgebungsschritt über Registrierungs- und Segmentierungsaufgaben bis hin zum schließlichen Renderingschritt reicht, enthält jedoch zahlreiche potenzielle Fehlerquellen. Um einen fundierteren Entscheidungsprozess zu begünstigen, muss der Einfluss solcher Fehlerwahrscheinlichkeiten quantitativ erfasst und dem medizinischen Experten visuell übermittelt werden. Dies ist die Aufgabe der Unsicherheitsvisualisierung. In der ersten Projektphase haben wir ein rigoroses Modellieren der auftretenden Unsicherheiten und Methoden zu ihrer visuellen Kodierung entwickelt, was in interaktiven visuellen Analysesystemen zur unsicherheitsbewussten Entscheidungsfindung resultiert hat. Neben dem Verwenden der aus den Bilddaten abgeleiteten Informationen kann die Entscheidungsfindung weiter verbessert werden, indem das System mit patientenspezifischen Informationen von simulierten bio-physikalischen oder medizinischen Prozessen bereichert wird. Solche Simulationen basieren auf den unsicheren Bilddaten und treffen sogar noch weitere Annahmen.Daher enthält ihr Ergebnis auch Unsicherheit, potentiell mit klinischer Relevanz.Unser Ziel ist es, Unsicherheit aus Bilddaten und Unsicherheit aus Simulationen in einem visuellen Analysesystem zusammenzubringen. Basierend auf den Methoden zur unsicherheitsbewussten Bildsegmentierung aus der ersten Projektphase, schlagen wir vor, unsicherheitsbewusste, patientenspezifische Simulationen unter Verwendung von probabilistischen Eingaben zu entwickeln sowie Vorhersagen der Simulationsresultate mit Hilfe von Deep Learning-Ansätzen und interaktive Visualisierungsmethoden für die unsicherheitsbewusste Analyse von patientenspezifischen Daten aus Segmentierungen und Simulationen. Die Methoden sollen in exemplarischen medizinischen Anwendungen, bei denen Visualisierung eine entscheidende Rolle spielt, eingesetzt werden.

• DFG-Verfahren: Sachbeihilfen