gms | German Medical Science

Hintergrund: Die MRT-Aufnahme der Leber hat einen hohen Stellenwert in der Diagnostizierung des hepatozellulären Karzinoms (HCC). Jährlich fallen daher unüberschaubar große Mengen von solchen Aufnahmen an, in denen verschiedene Leberläsionen identifiziert werden müssen.

Mit dem explosionsartigen Anwachsen von (medizinischen) Bilddatenmengen wächst in den letzten Jahren das Interesse an Systemen, die eine automatisierte Auswertung dieser Daten ermöglichen. Die Performanz eines solchen Systems entscheiden effektive Repräsentationen von inhaltsdeskriptiven Bildmerkmalen, genannt Features. Während für die automatische Erkennung von primitiven Features (z.B. Grauwerten) zahlreiche Algorithmen existieren, bleibt die Entwicklung von Algorithmen, die eine automatische Erkennung semantischer Features (bspw. HCC) ermöglichen, eine große Herausforderung. Erfolgsversprechend in diesem Zusammenhang sind die in den letzten fünf Jahren intensiv erforschten ‚selbstlernenden Algorithmen‘, die auf den mehrschichtigen ‚Deep-Learning‘-Architekturen - ‚Deep Neural Networks‘ (DNN) - basieren.

Zielsetzung: Um eine Frühdiagnostizierung von HCC zu unterstützen, soll im Rahmen dieser geplanten Doktorarbeit ein DNN-basiertes Multi-Level-System entwickelt werden, das eine automatisierte Inhaltsanalyse von MRT-Aufnahmen der Leber ermöglicht. Dazu sollen die Vorteile von Multimedia-Anfragesprachen [1], [2], [3] bzw. von Query-By-Image-Example (QBIE) Anfragen [1] mit den Fähigkeiten von ‚Deep-Learning‘-Algorithmen kombiniert werden. Da diese Doktorarbeit sich in der Planungsphase befindet, liegt dafür nur ein Konzept vor, welches nachfolgendend kurz beschrieben wird.

Vorgeschlagene Methoden: Geplant ist eine Multi-Level Repräsentation von Features der MRT-Aufnahmen, die einerseits eine gesunde Leber und andererseits unterschiedliche Leberläsionen charakterisieren: ?

1.

Ebene realisiert effektive Repräsentationen und Ähnlichkeitsmasse für primitive Features

2.

Ebene baut auf den Feature-Repräsentationen der 1. Ebene auf und ermöglicht eine automatische Erkennung von semantischen 'Mid-Level'-Features. Als Beispiel hierzu kann die Erkennung eines rund-förmigen Objekts als menschliches Organ genannt werden.

3.

Ebene basiert auf den Ergebnissen der 2. Ebene und ermöglicht eine automatische Identifizierung von semantischen 'High-Level'-Features, im vorliegenden Fall die eindeutige Erkennung der Leber einerseits und andererseits der unterschiedlichen Leberläsionen, im Folgenden ‚Region of Interests‘ (ROIs) genannt.

4.

Ebene dient einer automatischen Klassifikation von aktuellen MRT-Aufnahmen und der darauf aufbauenden Auswahl jener Aufnahmen, die in Bezug auf HCC hochverdächtige ROIs abbilden. Die Grundlage hierfür bilden die o.g. QBIE-Anfragen, die ebenso hier automatisch erfolgen. Eine solche Anfrage ermöglicht es, eine (u.U. auch mehrere) verdächtige MRT-Aufnahme(n) vorzugeben und in den großen Mengen von Voraufnahmen der Patienten, die an HCC erkrankt waren bzw. sind, nach Aufnahmen mit ähnlichen ROIs zu suchen. Für den Ähnlichkeitsvergleich der (Vor-)Aufnahmen sollen hier semantische Ähnlichkeitsmaße entwickelt und eingesetzt werden.

Die oben genannten Fähigkeiten soll das System im Rahmen eines mit unzähligen Testdaten wiederholten ‚Unsupervised‘-Learning [4] (selbst-)erlernen.

Ausblick: Mit der wachsenden Ärztemangel und Anzahl von medizinischen (Bild-)Daten wächst auch die Gefahr, dass Ärzte lebensbedrohliche Krankheiten nicht rechtzeitig entdecken können. Um diesem Problem hinsichtlich der Früherkennung von HCC entgegenzuwirken, schlägt die geplante Doktorarbeit einen Ansatz für ‚Deep-Learning‘-basierte Systeme vor, der anderes als die bisherigen Ansätze [5], auf die automatische Auswertung von MRT-Aufnahmen abzielt.

Aus der Sicht dieser Arbeit kann eine Diagnosestellung (noch) nicht den intelligenten Systemen überlassen werden. Daher soll das genannte System eine Diagnoseunterstützung anbieten, die u.a. an dem Ranking der gefundenen MRT-Aufnahmen mit hochverdächtigen ROIs liegt.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.