Integrierte Analyse und probabilistische Registrierung medizinischer Bilddaten mit fehlenden korrespondierenden Strukturen

Die robuste, genaue und automatische Registrierung von medizinischen Bilddaten ist ein zentrales Problem der medizinischen Bildverarbeitung, dessen Lösung in der bildgestützten Diagnostik und Therapie eine große Bedeutung zukommt. Aktuell verfügbare Registrierungsmethoden stoßen jedoch bei Vorhandensein großer anatomischer oder pathologisch bedingter Unterschiede in den zu registrierenden Bildern an ihre Grenzen, wenn in größeren Bildbereichen keine korrespondierenden Strukturen auftreten. Eine weitere Limitierung aktueller Standardverfahren ist die fehlende Information über lokale Unsicherheiten der berechneten Transformation, die dem Anwender die Beurteilung der lokalen Verlässlichkeit der Transformation ermöglicht. Ziel dieses Projektes ist es, die robuste Registrierung von Bilddaten mit stark unterschiedlichen Bildinhalten zu ermöglichen, bei denen in großen Bereichen keine 1-1-Korrespondenzen bestehen. Hierzu wird ein genereller probabilistischer, hierachischer Registrierungsansatz unter Verwendung von Korrespondenzwahrscheinlichkeiten formuliert, der neben den reinen Bildintensitäten auch lokale Bildmerkmale und morphologisches Wissen in Form von Landmarken und Segmentierungsinformationen zur Ausrichtung der Bilder nutzt. Durch die probabilistische Beschreibung des Registrierungsproblems wird über die Ausrichtung korrespondierender Bildstrukturen hinaus zugleich eine Detektion der Bereiche mit fehlenden lokalen Korrespondenzen sowie eine objektive Beurteilung der Sicherheit der erzielten Registrierung in Abhängigkeit von der Lokalisation im Bildraum ermöglicht.Die methodischen Erweiterungen sollen die deutliche Ausweitung medizinischer Anwendungsmöglichkeiten von Registrierungsalgorithmen ermöglichen und somit beispielsweise die Verlaufskontrolle, den Vergleich prä- und postoperativer Bilddaten oder aber auch statistische Studien über die räumliche Verteilung von Krankheitsmustern in deutlich verbesserter Qualität unterstützen.

Die Registrierung (Fusion) von Bilddaten ist ein zentraler Schritt für die Analyse medizinischer Bilddaten, wenn Informationen mehrerer Bilder involviert sind, d.h. wenn Bilder verschiedener Zeitpunkte, verschiedener Modalitäten oder verschiedener Patienten zusammengeführt werden müssen. Die Entwicklung von Algorithmen insbesondere für die nicht-lineare Registrierung von Bilddaten war in den letzten Jahren ein wesentliches Forschungsfeld der medizinischen Bildverarbeitung – mit bemerkenswertem Erfolg. Doch obwohl zahlreiche Evaluationsstudien eine hohe mittlere Genauigkeit für aktuelle nicht-lineare Registrierungsverfahren belegen, wird die Präzision dieser Verfahren durch pathologische Strukturen, inhomogene Bildbereiche oder resezierte Gewebe massive beeinflusst, was die Anwendbarkeit dieser Verfahren im klinischen Umfeld beeinträchtigt. Wesentliches Ziel dieses Projektes war die Entwicklung eines Verfahrens, das eine präzise und robuste Registrierung pathologischer oder inhomogener Bilddaten erlaubt. Grundlage des entwickelten Verfahrens sind dabei Korrespondenzwahrscheinlichkeiten, d.h. neben der zu bestimmenden Transformation werden auch die Wahrscheinlichkeiten berechnet, welche Bildpunkte zueinander korrespondieren. Diese Korrespondenzwahrscheinlichkeiten ermöglichen die Identifikation von Bildbereichen die z.B. pathologisch verändert sind und somit ohne Entsprechung im anderen Bild. In Experimenten konnte gezeigt werden, dass dieser probabilistische Registrierungsansatz in seiner Genauigkeit mit Methoden des Standes der Technik vergleichbar ist, jedoch eine wesentlich höhere Robustheit bei pathologischen Bilddaten aufweist. Ein weiteres Ziel des Projektes war die Bestimmung lokaler Registrierungsunsicherheiten, wodurch eine automatische Unterscheidung von lokalen Bildbereichen mit hoher und möglicherweise geringer Registrierungsgüte ermöglicht wird. Hier konnte gezeigt werden, dass die Korrespondenzwahrscheinlichkeiten zwar keine quantitative Abschätzung des Registrierungsfehlers erlauben, jedoch eine Korrelation damit aufweisen. So können die Korrespondenzwahrscheinlichkeiten beispielsweise genutzt werden, um pathologische Bildbereiche automatisch zu detektieren. Eine Schwierigkeit bei der Projektbearbeitung ergab sich dadurch, dass der Einfluss pathologischer Veränderungen auf die Genauigkeit von Registrierungsverfahren kaum quantitativ untersucht wurde und demzufolge keine geeigneten Benchmark-Datensätze zur Verfügung stehen. Deshalb wurden im Rahmen des Projektes neue Evaluationstechniken für die Interpatienten–Registrierung mit pathologischen Bilddaten entwickelt. Ein generatives neuronales Netzwerk erzeugt dabei auf der Basis eines bestehenden (gesunden) Bildes ein synthetisches realistisch aussehendes Bild mit eingebrachter Pathologie. Das entstehende Bildpaar (gesund + pathologisch) kann dann genutzt werden, um dediziert die Einflüsse pathologischer Strukturen auf die Registrierungsgüte zu untersuchen. Neben pathologischen Veränderungen können auch verschiedene Bildmodalitäten bzw. –eigenschaften simuliert werden, was ein breites Anwendungsspektrum für diesen Ansatz eröffnet.