Mastodon
Kliniken &… Institute Medizinische… Forschung Bildbasierte Diagnose-… CF-MRI

Deep-learning basierte Klassifikation von strukturellen und funktionellen Lungen-Abnormalitäten bei Mukoviszidose auf Magnetresonanztomographien

Projektleitung: Urs Eisenmann

Kooperation: Translational Lung Research Center Heidelberg (TLRC), Klinik für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Heidelberg

Förderer: Firma Vertex, Vertex Innovation Award

Kurzbeschreibung: Für eine systematische Erfassung krankheitsrelevanter MRT-Befunde bei zystischer Fibrose (CF) wurde 2012 durch die Juniorgruppe „Structural and Functional Airway Imaging“ am Translational Lung Research Center (TLRC) ein Scoring-System entwickelt, welches strukturelle und funktionelle Schädigungen lappengenau erfasst und quantifiziert. Für die Beurteilung werden 6 verschiedene Aspekte betrachtet: Bronchiektase/Wandverdickungen, Schleimretentionen, Konsolidierung, Perfusionsstörungen, Abszesse und zusätzliche Befunde. Diese bilden die relevantesten Lungenveränderungen ab, die auf MRT beurteilt werden können. Um Radiolog*innen beim Scoring zu unterstützen und den diagnostischen Prozess zu optimieren, soll ein KI-basierter basierter Ansatz entwickelt werden, um eine automatisierte Klassifikation der einzelnen Scores durchzuführen. Im Rahmen eines Vorprojekts wurden etwa 850 standardisierte MRT-Untersuchungen des Brustkorbs, einschließlich 4D-Perfusionsbildgebung, von etwa 200 Mukoviszidose-Patienten anonymisiert, aus dem institutionellen CF Bildgebungsprogramm entnommen und von einem Experten anhand des visuellen CF-MRT-Scores bewertet. Im Rahmen des Projekts sollen Convolutional Neural Networks (CNN) adaptiert und trainiert werden, um ein objektives und quantitatives Maß für morpho-funktionelle Veränderungen in der CF-Lunge zu liefern. Die MRT-Daten werden hierfür in Trainings-, Validierungs- und Testdaten aufgeteilt. Neben der automatischen Klassifizierung soll die Software perspektivisch auch eine intuitive Entscheidungshilfe für Radiolog*innen bieten. Abschließend  wird der Prototyp in einer multizentrischen Studie mit ungesehenen Daten evaluiert und die Leistungsfähigkeit bewertet.

Laufzeit: 10/2022 - 10/2024

Mitarbeiter: Friedemann Ringwald, Niclas Hagen, Anna Martynova, Julian Mierisch

DE