Nicht-invasive bildgebende Untersuchung des Epiphysenverschlusses im Knie bei Lebenden zur forensischen Altersbestimmung und zur Klärung des Phänomens der sich reduzierenden Unterschenkellängen nach Epiphysenverschluss.
Epidemiologie und Medizinische Biometrie/Statistik
Zusammenfassung der Projektergebnisse
Im Rahmen dieses Projektes sollte die Bedeutung des Epiphysenverschlusses der proximalen Tibia, proximalen Fibula und des distalen Femurs für die forensische Altersbestimmung bei Lebenden auf Basis von MRT-Bildsequenzen untersucht werden. Dabei sollte ein neues prospektives Probandenkollektiv erstellt und ein bestehendes retrospektives Datenkollektiv ausgebaut werden. Diese 3D Knie-MRT-Datensätze sollten dann automatisch in Bezug auf ihr Potential zur Altersbestimmung ausgewertet werden. In einer ersten Phase wurden 40 männliche Probanden im Alter zwischen 14,5 und 19 Jahren aus dem Raum Hamburg und Umgebung rekrutiert. Weitere Kriterien für die Studie waren ein mittlerer bis hoher sozioökonomischer Status und es durften keine Knochenverletzungen im Bereich der Wachstumsfuge vorhanden sein. Die Probanden wurden dann im Verlauf der 3- jährigen Studie an drei Terminen mit jährlichem Abstand gescannt und eine Reihe von anthropometrischen Messungen (u.a. Körpergröße, Gewicht) vorgenommen. Für die Erweiterung des retrospektiven Datenkollektivs wurden geeignete Datensätze unter Berücksichtigung der o.g. Kriterien gesammelt und dem Gesamtkollektiv hinzugefügt. Insgesamt wurden so 589 MRT-Datensätze von 299 männlichen Personen in das Kollektiv aufgenommen und dokumentiert. In einem nächsten Schritt sollten die relevanten Knochenstrukturen automatisch im Bild identifiziert werden. Dazu wurde ein Verfahren entwickelt, dass die automatische Segmentierung der drei Langknochen in den MRT-Bilddaten ermöglicht. Erste Testläufe mit Ansätzen auf Basis statistischer Formmodelle und atlasbasierter Registrierung ergaben nur unzureichende Ergebnisse. Im Rahmen dieses Projekts wurde daher ein KI-basierter Ansatz - das „U-Net“ - problemspezifisch angepasst und trainiert. Das Training erfordert die Definition eines Gold-Standards für die Segmentierung. Dieser wurde für insgesamt 125 Datensätze unter Verwendung eines semi-automatischen Tools und anschließender manueller Nachverarbeitung aufwändig erstellt. In einem weiteren Schritt wurden alle Daten vorverarbeitet. Es wurde eine Bias Field Correction durchgeführt, ein definiertes Volume-of- Interest (VoI) extrahiert und eine Grauwert-Normalisierung durchgeführt. Auf Basis dieser Daten wurden unterschiedliche Netzvarianten trainiert und deren Ergebnisse analysiert. Als Qualitätsmaß wurden u.a. der „Dice-Koeffizient“ (DSC), Precision, Recall, „Intersection-Over-Union (IoU) sowie die Falschklassifikationsrate (Error) berechnet. Eine 5-fach stratifizierende Kreuzvalidierung ergab für ein Modell zur Detektion aller 3 Knochen einen DSC von 98.5% ± 0.05 und somit ein sehr gutes Segmentierungsergebnis. In einem letzten Schritt wurde untersucht, ob eine Altersbestimmung anhand der Knie-MRT-Bilddaten möglich ist. Hierzu wurde der kontrahierende Teil der zuvor eingesetzten U-Net Architektur übernommen und erweitert. Mit „Transfer Learning“ wurden einige der Netzparameter vorinitialisiert und das Training auf, durch die Segmentierung maskierten, MRT-Daten durchgeführt. Die Vorhersage des Alters erfolgte für jede Schicht separat (CNN only) und für je 12 Schichten eines Datensatzes sowie die erhobenen Körpermessungen kombiniert (CNN + Regression). In einer zweiten Analyse wurde die Entscheidung auf Volljährigkeit analysiert (Klassifikation). Bei der Regression wurden u.a. Random Forest (RFR) und Support-Vector (SVR) Ansätze eingesetzt. Zur Quantifizierung der Qualität wurden u.a. der mittlere absolute Fehler (MAE) und die Standardabweichung (SD) bestimmt. Das beste Ergebnis mit MAE von 0.69 ± 0.47 Jahren und einem max. Fehler von 2.15 Jahren lieferte das Modell mit ETR inkl. der Körpermessungen. Bei der Frage nach der Volljährigkeit wurde im besten Fall mittels Support-Vector Klassifikator ein Genauigkeit von 89.14 ± 0.47 (Sensitivität = 90.00 ± 3.40, Spezifizität = 87.69 ± 6.15) und somit eine sehr gute Erkennungsrate erreicht. Die Ergebnisse dieser Studie belegen das Potential dieses Ansatzes zur Altersbestimmung auf Basis von Knie-MRT. Allerdings gilt dies zunächst nur für die gewählte homogene Stichprobe. Eine Validierung der Ergebnisse auf Basis anderer, internationaler Datenkollektive ist daher nötig.
Projektbezogene Publikationen (Auswahl)
- (2015): Altersbestimmung durch Beurteilung von Epiphysenfugen in Knie-MRT Bilddaten. GMDS 2015, Krefeld
Stanczus B, Auf der Mauer M, Jopp E, Säring D
(Siehe online unter https://doi.org/10.3205/15gmds008) - (2017): MRT-Bilddatenbank zur reproduzierbaren Evaluation von Methoden zur Altersdiagnostik. GMDS 2017, Oldenburg
Säring D, Auf der Mauer M, Stanczus B, Herrmann J, Jopp E
(Siehe online unter https://doi.org/10.3205/17gmds185) - Development of a software for the automatic analysis of 3D Knee MR images for forensic age assessment. 20th Meeting of the Study Group on Forensic Age Diagnostics (AGFAD) on March 17th, 2017
Auf der Mauer M, Stanczus B, Jopp-van Well E, Säring D
- (2018) Abstract: Automated Segmentation of Bones for the Age Assessment in 3D MR Images using Convolutional Neural Networks. Informatik aktuell, Springer, Berlin, Heidelberg
Auf-der-Mauer M. et al.
(Siehe online unter https://doi.org/10.1007/978-3-662-56537-7_75) - Automated segmentation of bones for the age assessment in 3D MR images using Convolutional Neural Networks. 21st Meeting of the Study Group on Forensic Age Diagnostics (AGFAD) on March 16th, 2018
Auf der Mauer M, Pröve P-L, Stanczus B, Morlock MM, Herrmann J, Säring D, Jopp-van Well E
- (2019): A 2-year follow-up MRI study for the evaluation of an age estimation method based on knee bone development. Int. J Legal Med 133(1):205–215
Auf der Mauer M, Säring D, Stanczus B, Herrmann J, Groth M, Jopp-van Well E
(Siehe online unter https://doi.org/10.1007/s00414-018-1826-4) - (2019): Automated segmentation of the knee for age assessment in 3D MR images using convolutional neural networks. Int J Legal Med 133(4):1191–1205
Pröve P-L, Jopp-van Well E, Stanczus B, Morlock MM, Herrmann J, Groth M, Säring D, Auf der Mauer M
(Siehe online unter https://doi.org/10.1007/s00414-018-1953-y) - (2019): Knee MRI segmentation and age estimation: evaluation of age estimation methods. 22nd Meeting of the Study Group on Forensic Age Diagnostics (AGFAD) on March 15th, 2019
Auf der Mauer M, et al.
