Positionsbestimmung in medizinischen Volumendatensätzen

Im medizinischen Alltag werden immer häfiger radiologische Untersuchungen (etwa CT oder MRT Scans) durchgeführt. Aufgrund deren Größe werden zu Diagnosezwecken oft nur einige wenige Ausschnitte (Slices) an den behandelnden Arzt geschickt. Will dieser nun einen dieser Ausschnitte mit einer (oder mehreren) vorangehenden Aufnahme(n) vergleichen um den Fortschritt einer Behandlung zu überprüfen, so muss er sich den passenden Ausschnitt manuell einstellen. Das kostet viel Zeit, die man durch eine automatisierte, bildgetriebene Positionsbestimmung einsparen kann.

In diesem Projekt sollen effiziente Methoden zur Positionsbestimmung eines 2D-Bildes im menschlichen Körper entwickelt werden. Wir unterscheiden:

CT-Superpositionierung

Da die wenigsten Scans den gesamten Körper umfassen, und darüber hinaus die gescannten Patienten verschieden gebaut sind (Alter, Gewicht, Geschlecht), benötigen wir zunächst eine geeignete Aufbereitung von unseren Trainingsdatensätzen. Im Rahmen des Theseus-Programmes werden uns eine Reihe von landmarks zur Verfügung gestellt, die zur Definition eines Körperhöhen-Atlas verwendet werden.

Feature-Extraktion und Auswahl

Ziel dieses Aufgabengebietes ist es, geeignete Repräsentationen für medizinische Bilddaten zu testen, und bei Bedarf neu zu implementieren. Diese Repräsentationen sind sowohl für die Superpositionierung, als auch für die Positionsvorhersage von zentraler Bedeutung.

Positionsvorhersage

Sind geeignete Repräsentationen (Punkt 2) und eine Zielfunktion (Punkt 1) vorhanden, geht es daran, für bisher unbekannte Bilder die Position vorherzusagen und diese anhand der üblichen Lernverfahren zu evaluieren. Es werden zwei verschiedene Verfahren erprobt: die Klassifikation durch Ähnlichkeitssuche sowie trainierbare maschinelle Lernverfahren.