Automatisierte Segmentierung und Unterscheidung von intrakraniellen Aneurysmen (AI4IA): Verbesserung der Robustheit klinischer Risiko-Scores auf Basis von Morphologie und Hämodynamik

• Antragsteller: Privatdozent Dr.-Ing. Philipp Berg, Ph.D.; Professor Dr.-Ing. Leonid Goubergrits
• Fachliche Zuordnung: Strömungsmechanik
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 548907942

Rupturierte intrakranielle Aneurysmen (IAs) sind die Hauptursache für Subarachnoidalblutungen, welche zu schweren Behinderungen oder zum Tode führen können. Die Versorgung von noch unrupturierten IAs, welche vergleichsweise häufig auftreten, stellt eine Herausforderung dar, da es zahlreiche Unsicherheiten bezüglich der individuellen Prognose, der optimalen Therapiestrategie sowie möglicher Behandlungskomplikationen gibt. Morphologische und hämodynamische Parameter können hier einen Beitrag zur Risikostratifizierung leisten, sind jedoch aufgrund mangelnder Robustheit bisher klinisch wenig verbreitet. Hauptziel des AI4IA-Projekts ist es, im Rahmen des SPP2311 Unsicherheitsquellen in der Bestimmung morphologischer und hämodynamischer Parameter der Ruptur Risiko zu identifizieren und zu reduzieren, um die Translation in die Patient:innenversorgung zu ermöglichen. Dazu sind folgende Hauptaufgaben geplant: • Untersuchung möglicher Unterschiede in der Bilddatenerfassung zwischen zwei klinischen Standorten sowie Aufbau einer Datenbank mit realen IA-Geometrien. • Entwicklung von Standardarbeitsanweisungen für die Bilddaten- und Geometrieverarbeitung, die Blutflusssimulation sowie die Bestimmung der morphologischen und hämodynamischen Parameter. • Identifikation geeigneter Open Source Tools für die einzelnen Arbeitsschritte, damit der Workflow von Dritten möglichst einfach reproduziert werden kann. • Automatisierung der Geometriesegmentierung mit Hilfe künstlicher neuronaler Netzwerke sowie der anschließenden Analyse morphologischer und hämodynamischer Parameter. • Beurteilung der Unsicherheit morphologischer und hämodynamischer Parameter, die mit Hilfe von Machine-Learning-Lösungen erfasst wurden, im Vergleich zur manuellen Segmentierung. • Identifikation eines optimalen Satzes robuster morphologischer und hämodynamischer Parameter, um unrupturierte von rupturierten IAs zu unterscheiden. Außerdem Identifikation von gemeinsamen Eigenschaften, die robuste Parameter auszeichnen. Das Projekt ist als erster Schritt zur Entwicklung robuster Rupturrisiko-Vorhersagesysteme konzipiert und auf eine Dauer von 36 Monaten im Rahmen der zweiten SPP2311-Phase angelegt. Es ist als Kooperationsprojekt zwischen den auf neurovaskuläre Fragestellungen spezialisierten Forschungsgruppen in Berlin und Magdeburg geplant, wobei jede Forschungsgruppe von einem klinischen Partnerstandort unterstützt wird. Die Forschungsgruppen haben langjährige Erfahrung in der Modellierung von IAs, während die klinischen Partnerstandorte über entsprechende klinische Expertise verfügen und Geometrien realer IAs in pseudonymisierter Form bereitstellen.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2311: Robuste Kopplung kontinuumsbiomechanischer in silico Modelle für aktive biologische Systeme als Vorstufe klinischer Applikationen - Co-Design von Modellierung, Numerik und Nutzbarkeit
• Mitverantwortliche: Professor Dr. Daniel Behme; Dr.-Ing. Florian Hellmeier; Professorin Dr.-Ing. Sylvia Saalfeld; Dr. Andreas Spuler