Vollautomatische Gehirnvolumensegmentierung auf Grundlage T1-gewichteter MRT-Bilder mithilfe tiefer neuronaler Faltungsnetze

Künstliche Intelligenz in Form tiefer neuronaler Netze findet aktuell immer häufiger Anwendung im alltäglichen Leben, beispielsweise in Form von intelligenten Smartphone- Applikationen. Als besonders erfolgreich hinsichtlich lernfähiger, intelligenter Software hat sich die Anwendung neuronaler Faltungsnetze (Convolutional Neuronal Networks), einer Art von künstlichen neuronalen Netzen, herausgestellt. In diesem Zusammenhang ist auch die Entwicklung derartiger Software im medizinisch-apparativen Bereich naheliegend. Die diagnostische Neuroradiologie eignet sich aufgrund ihrer elektronischen Bilddatenverarbeitung besonders zur Implementierung neuronaler Netze in die klinische Routine. Ein möglicher Ansatzpunkt für die Einbettung dieser Software ist die neuroradiologische MRTGehirnvolumensegmentierung. Diese Segmentierung stellt in der Neuroradiologie ein wichtiges diagnostisches Mittel zur Definition anatomischer Areale in einer Gehirn-Bildgebung dar. Das hier bislang verfügbare Standardprogramm FreeSurfer benötigt für eine Gehirnsegmentierung allerdings wenigstens acht Stunden. Infolgedessen blieb die Segmentierung bislang hinter den Möglichkeiten einer klinischen Anwendung zurück. Die vorliegende Arbeit beschäftigte sich daher mit einer schnellen vollautomatischen Gehirnvolumensegmentierung mittels tiefer neuronaler Faltungsnetze auf Grundlage von T1- gewichteten MRT-Bildgebungen. Für die Netzwerk-Entwicklung bedurfte es einer Bilddatenbank zum Training der Netzwerkstruktur. Bisherige Forschungsansätze wählten bislang vor allem bereits bestehende, extern zusammengestellte Datenbanken, die oft über deutlich weniger als 100 Trainingsbilddatensätze verfügten. In der vorliegenden Arbeit hingegen wurde eine weitaus umfangreiche Datenbank aus eigenen klinischen kraniellen MRTs generiert. Es erfolgte die Entwicklung verschiedener neuronaler Netze, deren Aufbau sich durch eine steigende Anzahl der Schichten, sowie Komplexität der Verbindungen zwischen den Schichten unterschied. Als optimal zu erreichendes Segmentierungsergebnis galten die Segmentierungen der Bildgebungen durch die Referenzsoftware FreeSurfer. Das Training dieser neuronalen Netze erfolgte iterativ anhand des korrigierenden Vergleichs zwischen den eigenen Segmentierungsergebnissen und dem jeweiligen FreeSurfer-Ergebnis. So erfolgte eine schrittweise Adaptation der Netz-Architekturen. Grundsätzlich zeigten die Ergebnisse, dass ein neuronales Faltungsnetz eine vollständige Segmentierung von T1-gewichteten Schnittbildern des Gehirns über alle klinisch relevanten Altersgruppierungen erlernen und ausführen kann. Mit zunehmender Komplexität der Netzwerkarchitekturen wurden die Segmentierungsergebnisse immer genauer. Besonders ConvNet5 lernte erstaunlich schnell und innerhalb weniger Iterations- bzw. Verbesserungsschritten seine Netzarchitektur zielgerichtet zu adaptieren. Abweichungen hierbei waren zumeist auf ungünstige anatomisch-strukturelle Gegebenheiten für eine Segmentierung zurückzuführen. Jedem Bildpunkt in einer MRT konnte das Faltungsnetz eine anatomische Funktionseinheit des Gehirns zuordnen, sodass neben der Volumensegmentierung auch die Erstellung eines bildbasierten Koordinatensystems ermöglicht wurde. Im Rahmen der radiologischen Befunderhebung könnte dieses Koordinatensystem der objektiveren, genaueren Pathologieverortung durch den befundenden Arzt dienen. Aufgrund der insgesamt positiven Resultate dieses Forschungsprojekts ergeben sich zahlreiche vielversprechende Anschlussarbeiten. Das große Potenzial neuronaler Faltungsnetze im radiologischen, sowie gesamten medizinischen Bereich wird gerade erst entdeckt, sodass diese Forschung für Patient und Arzt zukünftig von noch größerem Nutzen sein könnte. Das Verständnis der effektiven Konstruktion, Anwendung und Überarbeitung neuronaler Faltungsnetze ist daher ein wichtiger Schritt zur erfolgreichen Einbettung in die klinischen Arbeitsabläufe. Eine dominante künstliche Intelligenz, die den Menschen ersetzt, soll hierbei nicht das Ziel sein. Vielmehr wird die Entlastung und effizientere Nutzung ärztlicher Ressourcen durch die Übergabe redundanter, zeitaufwendiger Arbeitstätigkeiten an ein neuronales Netz angestrebt.

Preview

Rights

Use and reproduction:

No license. The provisions of the German Copyright Act (UrhG) apply.

Please note that individual components of the publication may be subject to other licensing or copyright conditions.

Cite

Citation style:
Could not load citation form.