Lungenperfusionsmessung mit Big Data Methoden

• Antragsteller: Dr. Hinrich Winther
• Fachliche Zuordnung: Nuklearmedizin, Strahlentherapie, Strahlenbiologie
• Förderung: Förderung von 2016 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 314828988

Die Weltgesundheitsorganisation listet die chronisch obstruktive Lungenerkrankung (COPD) als dritthäufigste Todesursache. Außerdem erwarten die Centers for Disease Control and Prevention der Vereinigten Staaten von Amerika eine nationale Kostensteigerung von insgesamt 59,3 $ Milliarden im Jahr 2010 auf 90,6 $ Milliarden bis zum Jahr 2020. Deshalb ist es von größter Wichtigkeit COPD frühestmöglich zu erkennen und zu überwachen, um Patienten adäquat behandeln zu können, somit das Fortschreiten der Erkrankung zu verlangsamen und die Behandlungskosten zu reduzieren. Derzeit wird der klinische Lungenfunktionstest zur Diagnose der COPD verwendet. Dieser ist jedoch unempfindlich gegenüber regionalen, frühen Veränderungen, sowie emphysematösen Umbildungen. Mehrere multizentrische Studien, wie COPD Gene, Eclipse, SPIROMICS und MESA COPD suchen prädiktive Biomarker um den Krankheitsverlauf besser einschätzen zu können. Beeinträchtigung und Veränderung der Perfusion wurden als wichtige Biomarker identifiziert. Nicht-invasive MR-Techniken quantifizieren zuverlässig die regionale Lungendurchblutung. Quantitative Messverfahren im klinischen Umfeld erfordern jedoch bisher menschliche Interaktion und bergen somit die Gefahr einer hohen Interobserver-Variabilität und binden wertvolle Humanressourcen. Die MESA COPD-Studie stellt die Datenbasis für diesen Antrag. Sie erfasst 4.617 Patienten, welche umfassend charakterisiert wurden. CT- und MR-Bilddaten wurden akquiriert. Dadurch ist eine quantitative Messung der parenchymalen mikrovaskulären Lungendurchblutung (PBF) möglich. Um eine optimale PBF-Messung zu gewährleisten, ist es notwendig Gefäße, Bullae und Emphysem von der Messung auszuschließen. Während große Gefäße auf den MR-Daten sichtbar sind, gibt es derzeit keine Möglichkeit Emphysem ohne CT-Daten zu erkennen. Daher müssen die Informationen des CTs auf den Perfusions-MR-Datensatz übertragen werden. Die Bewertung umfassender Bilddatensätze erfordert langwierige und fehleranfällige manuelle Interaktion. Daher schlagen wir die Entwicklung eines Algorithmus basierend auf Big Data-Techniken vor, um diese Messungen automatisch durchzuführen. Wir werden die Anwendbarkeit von automatischen Segmentierungstechniken evaluieren. Darüber hinaus werden wir einen Parametersatz für die "vulnerable zone" des Lungenparenchyms etablieren, welche stark gefährdete Regionen identifiziert. Um dieses Ziel zu erreichen werden, wir Big Data-Techniken, wie maschinelles Lernen und Bildregistrierung, einsetzen. Vorarbeiten zeigen vielversprechende Ergebnisse bei der automatischen Bildsegmentierung durch maschinelles Lernen sowie der Bildregistrierung. Der Impact dieser Arbeit ist ein Meilenstein für neue bildgestützte Parameter, um frühe Veränderungen der COPD zu erkennen und neuartige prädiktive Biomarker zu definieren. Diese können den Krankheitsverlauf weit besser vorhersagen, als dies mit aktuellen klinischen Lungenfunktionstests möglich ist.

• DFG-Verfahren: Sachbeihilfen