Kliniken & Institute … Institute Medizinische Biometrie… Medizinische Informatik… Forschung Medizinische… CF-Predict

CF-Predict

Bestimmung morphologischer und funktionaler Score-Werte in MRT-Sequenzen bei Mukoviszidose Patienten mittels Deep Learning Verfahren

Projektleitung: PD Dr. med. Mark Wielpütz

Kooperationen: Translational Lung Research Center Heidelberg (TLRC) Heidelberg

Förderer: Translational Lung Research Center Heidelberg (TLRC) Heidelberg

Kurzbeschreibung:

Projektziel ist die automatisierte Bestimmung verschiedener morphologischer und funktionaler Score-Werte in MRT-Bildsequenzen der Lunge, bei Mukoviszidose-Patienten. Mit Hilfe dieser Bewertungen kann der Schweregrad der vorliegenden Erkrankung zuverlässig und objektiv eingestuft und entsprechende therapeutische Maßnahmen getroffen werden. Hierzu soll ein Scoring-Verfahren mit Methoden des Deep Learning entwickelt werden. Hauptaufgabe bei der Entwicklung des Verfahrens ist das Training eines dreidimensionalen „Convolutional Neuronal Network“ (CNN), mit MRT-Volumendaten und deren bekannten Score-Werten (Goldstandard). Um mit einem solchen Netz zuverlässige Score-Wert-Prädiktionen durchführen zu können ist eine umfangreiche Menge an Trainingsdaten notwendig. Weiter soll die Score-Prädiktionen robust gegenüber Bildrauschen sein. Hierzu werden aus den MRT-Sequenzen vor dem Training weitere valide Trainingsdaten mittels Bildtransformationen (wie beispielsweise Spiegelungen, Rotationen und Verschiebungen, etc.) generiert. Anschließend werden diese Trainingsdaten in einer entsprechenden Datenstruktur dem Netz bereitgestellt um das Training durchzuführen.

Um eine abschließende Aussage über die Genauigkeit des entwickelten Verfahrens treffen zu können werden für MRT-Sequenzen, welche nicht für das Training des Netzes verwendet wurden, Score-Werte bestimmt und mit dem Goldstandard verglichen.

Laufzeit: 2019-2020

MitarbeiterInnen des Instituts: N. Hagen, U. Eisenmann