Entwicklung einer 4D Multi-Objekt Segmentierung für räumlich-zeitliche MRT-Bildsequenzen. Klinische Anwendung zur Beurteilung von Form- und Funktionsveränderungen des Myokards nach einem Infarkt
Zusammenfassung der Projektergebnisse
Der Herzinfarkt und seine degenerativen Folgen sind eine der wesentlichen Ursachen für vorzeitige Sterblichkeit in westlichen Ländern. Um die Auswirkungen eines Myokardinfarkts auf die Geometrie und die Herzbewegung adäquat zu untersuchen, kommen im klinischen Kontext verschiedenste bildbasierte Analyseverfahren zum Einsatz, für deren Anwendung zumeist eine akkurate Segmentierung und Bewegungsschätzung der einzelnen Herzregionen (Ventrikel, Vorhöfe, etc.) notwendig ist. In diesem Projekt wurden die Segmentierung und Bewegungsschätzung des Herzens in klinischen Cine-MRT-Bilddaten untersucht, welche das Herz während eines Herzzyklus räumlich und zeitlich abbilden. Hierfür wurde ein modellbasiertes 4D-Verfahren zur integrierten Segmentierung und Registrierung entwickelt, welches aufgrund der Modellinformationen in der Lage ist räumlich und zeitlich konsistente Segmentierungen der verschiedenen Herzregionen zu erzeugen und darüber hinaus oberflächenbasierte Bewegungsinformationen liefert. Die Genauigkeit bzw. Generalisierungsfähigkeit eines solchen modellbasierten Segmentierungs- und Registrierungsverfahrens hängt in der Praxis allerdings entscheidend von der Qualität und Quantität der zum Training des Modells verfügbaren Trainingsdaten – d.h. manuell segmentierter Bilddaten – ab. Da die Verfügbarkeit solcher Trainingsdaten im medizinischen Kontext allgemein limitiert ist, wurden im Projektverlauf zwei Verfahren entwickelt, die es ermöglichen flexible Form-, Erscheinungs- und Deformationsmodelle mit hoher Generalisierungsfähigkeit auf der Basis einer geringen Menge von Trainingsdaten zu erzeugen. Grundidee der entwickelten Ansätze ist die Anwendung des aus der Physik bekannten Lokalitätsprinzips auf die zu modellierenden Objekte, d.h. es wird angenommen, dass entfernte Objektstrukturen nur einen indirekten Einfluss auf die lokale Form oder Erscheinung haben. Die entwickelten Ansätze eignen sich auf natürliche Weise zur Multi-Objekt Segmentierung und können in einen Multi-Level Ansatz eingebettet werden, der es ermöglicht globale und sukzessiv lokalere Formund Erscheinungsvariationen integriert zu repräsentieren. In verschiedenen Experimenten wurde gezeigt, dass die entwickelten Ansätze in der Lage sind für kleine Trainingspopulationen besser generalisierende Modelle zu erzeugen als Stateof-the-Art-Verfahren, was sich in der Praxis auch in verbesserten Segmentierungsresultaten niederschlägt. Die hohe Generalisierungsfähigkeit ermöglicht weiterhin die Anwendung dieses Ansatzes zur modellbasierten Data Augmentation für CNN-basierten Lernverfahren. So wurde anhand einer geringen Anzahl von Trainingsdaten ein Form- und Erscheinungsmodell generiert, das eine beliebige Anzahl simulierter Daten erzeugt, die dann das Training von CNNs für die medizinische Bildregistrierung erlauben. Die trainierten CNNs können dann beispielweise zur schnellen und akkuraten Schätzung der Herzbewegung in räumlich-zeitlichen Bilddaten eingesetzt werden.
Projektbezogene Publikationen (Auswahl)
- „Patch-Based Low-Rank Matrix Completion for Learning of Shape and Motion Models from Few Training Samples“. In: 14th European Conference on Computer Vision – ECCV 2016. Springer, 2016, S. 712–727
J. Ehrhardt, M. Wilms und H. Handels
(Siehe online unter https://doi.org/10.1007/978-3-319-46493-0_43) - „Multi-resolution multi-object statistical shape models based on the locality assumption“. In: Medical Image Analysis 38 (2017), S. 17–29
M. Wilms, H. Handels und J. Ehrhardt
(Siehe online unter https://doi.org/10.1016/j.media.2017.02.003) - „Representative Patch-based Active Appearance Models Generated from Small Training Populations“. In: 20th International Conference on Medical Image Computing and Computer Assisted Intervention – MICCAI 2017. Springer, 2017, S. 152–160
M. Wilms, H. Handels und J. Ehrhardt
(Siehe online unter https://doi.org/10.1007/978-3-319-66182-7_18) - „Training CNNs for Image Registration from Few Samples with Model-based Data Augmentation“. In: 20th International Conference on Medical Image Computing and Computer Assisted Intervention – MICCAI 2017. Springer, 2017, S. 223–231
H. Uzunova, M. Wilms, H. Handels und J. Ehrhardt
(Siehe online unter https://doi.org/10.1007/978-3-319-66182-7_26)
