Automatische Gewebesegmentierung der Nieren und des Pankreas im Ganzkörper-MRT mittels Deep Learning

Abstract

Die NAKO Gesundheitsstudie ist eine zurzeit in Deutschland durchgeführte epidemiologische Kohortenstudie. Ziel dieser Studie ist es, verschiedene Daten über die allgemeine Gesundheit zu erhalten und Ursachen von Krankheiten zu verstehen. Die Daten, die im Zusammenhang mit solch groß angelegten Studien entstehen, gilt es auszuwerten und zu analysieren. Die Auswertung von Bilddaten, wie beispielsweise den bei der NAKO-Studie erhobenen MRT-Aufnahmen, stellt eine neue Herausforderung gegenüber der Auswertung von sonstigen Parametern wie beispielsweise von Blutwerten dar. Neben der manuellen Auswertung von Bildaufnahmen kann es insbesondere bei einer großen Menge an Daten hilfreich sein, Methoden aus dem Bereich des maschinellen Lernens zur Datenanalyse anzuwenden. Bewährt haben sich hierbei die Methoden des „Deep Learning“ in künstlichen neuronalen Netzwerken, einer Unterform des maschinellen Lernens. Ein grundlegender Schritt in der automatischen Bildanalyse ist die Gewebesegmentierung. In der vorliegenden Arbeit wurde untersucht, inwieweit ein maschineller Lernalgorithmus in MRT-Ganzkörperaufnahmen die Nieren und das Pankreas automatisiert erkennen und markieren kann. Es wurden 3.0-Tesla MRT-Ganzkörperaufnahmen der T1-Wichtung verwendet, die im Rahmen der NAKO-Studie entstanden sind. Der automatische Lernvorgang basierte auf Convolutional Neural Networks (CNNs). Zur Implementierung und Validierung des maschinellen Lernalgorithmus waren verschiedene Zwischenschritte notwendig. Zusammenfassend lässt sich sagen, dass eine automatische Gewebesegmentierung abhängig vom jeweiligen Organ in Bildaufnahmen möglich ist. In groß angelegten epidemiologischen Studien wie der NAKO-Studie kann diese somit unterstützend in der Auswertung genutzt werden. Auf Grundlage der Organsegmentierung lassen sich weiterführende Algorithmen entwickeln, die sowohl als ergänzende Maßnahmen in der Diagnostik von pathologischen Prozessen als auch bei Studien beispielsweise zur Identifikation von bildgebenden Biomarkern und möglichen Risikofaktoren eingesetzt werden können.