Maschinelle Hirntumorsegmentierung unter Berücksichtigung unvollständiger Bildsequenzen

Segmentierung der MRT Bilder ist ein unerlässlicher Schritt bei Diagnose und für klinische Entscheidungen bei Therapie von Hirtumoren. Das Ziel der Segmentierung ist, den Tumor vom gesunden Gewebe abzugrenzen und verschiedene Teile des Tumors zu erkennen. Es ist eine mühsame Arbeit, die in klinischer Praxis immer noch manuell durch erfahrene Neuroradiologen durchgeführt wird. Mit dem Fortschritt des machinellen Lernens rückt auch automatische Segmentierung in greifbare Nähe.

Aktuelle Algorithmen erforden vollständige, dreidimensionale MRT Bilder in hoher Auflösung. Im klinischen Alltag werden aber i.d.R. nicht alle Sequenzen in voller 3D-Auflösung aufgenommen, was den Einsatz der Algorithmen erschwert.

In diesem Projekt wird untersucht, wie sich bestehende Algorithmen für den praktischen Einsatz modifizieren lassen. Als Grundlage dient aktuell ein tiefes neuronales Netz, das sich schon in der Praxis bewährt hat. Es zeigt sich, dass unterschiedliche MRT-Sequenzen (T1, T1CE, T2 und FLAIR) deutliche Redundanzen aufzeigen und, dass Algorithmen, trotz unvollständiger Daten, immer noch Segmentierung mit relativ hoher Genauigkeit erlauben.