4D Multi object segmentation based on MR image sequences - Medical application for evaluation of myocardial differences in shape and function after infarction

Der Herzinfarkt ist trotz jahrelanger medizinischer Forschung immer noch eine der Hauptursachen für vorzeitliche Sterblichkeit in den westlichen Industrienationen. Die Lebensqualität und Prognose für Patienten hängt wesentlich davon ab, ob eine Erholung der Herzmuskelfunktion nach einem akuten Myokardinfarkt stattfindet, oder ob eine Kontraktionsstörung persistiert und zu einer progressiven Verschlechterung der Herzfunktion mit kardialem Remodeling führt. Die frühzeitige Identifizierung von Risikopatienten für ein Remodeling ist wichtig, um umgehend effektive Therapien zur Verhinderung des Remodeling einzuleiten. Das Ziel dieses Antrages ist die Entwicklung von Methoden zur automatischen Detektion, quantitativen Beschreibung und Prädiktion des myokardialen Remodeling in klinischen räumlich-zeitlichen MRT-Datensätzen. Hierzu soll ein Workflow entwickelt werden, der die automatisierte Vorverarbeitung, die modellbasierte 4D Segmentierung und Bewegungsschätzung in den Bilddaten, sowie die Extraktion klinisch relevanter Parameter, deren Analyse und eine geeignete Visualisierung umfasst. Entwicklung und Evaluation dieser Methoden erfolgen anhand eines umfangreichen Kollektivs von Baseline- und Follow-Up-MRT-Datensätzen von Infarktpatienten, die mit klinisch üblichen Aufnahmeparametern akquiriert wurden, sowie anhand von Bilddaten gesunder Probanden. Insgesamt stehen über 360 anonymisierte MRT-Datensätze mit unterschiedlichen MRT-Sequenzen (u.a. Cine MRT, LGE-MRT, T2w-MRT) sowie die manuelle Konturierung der kardialen Strukturen für das Projekt zur Verfügung. Ein zentraler Aspekt ist die Entwicklung eines modellbasierten Ansatzes zur integrierten Segmentierung und Bewegungsschätzung des linken und rechten Ventrikels, der Vorwissen sowohl über die Form- und Formvariabilität als auch über die Bewegung des Herzens berücksichtigt. Ein weiteres zentrales Thema ist die quantitative Analyse und Klassifikation der klinischen Bilddaten basierend auf einem Patientenkollektiv. Hierbei sollen lernbasierte Algorithmen eingesetzt werden, um relevante Parameter aus den Bilddaten und den abgeleiteten Form- und Bewegungsinformationen zu extrahieren und - im Zusammenspiel mit dem modellbasierten Segmentierungs- und Registrierungsverfahren - eine automatisierte Detektion und Prognose des myokardialen Remodeling ermöglichen.

Der Herzinfarkt und seine degenerativen Folgen sind eine der wesentlichen Ursachen für vorzeitige Sterblichkeit in westlichen Ländern. Um die Auswirkungen eines Myokardinfarkts auf die Geometrie und die Herzbewegung adäquat zu untersuchen, kommen im klinischen Kontext verschiedenste bildbasierte Analyseverfahren zum Einsatz, für deren Anwendung zumeist eine akkurate Segmentierung und Bewegungsschätzung der einzelnen Herzregionen (Ventrikel, Vorhöfe, etc.) notwendig ist. In diesem Projekt wurden die Segmentierung und Bewegungsschätzung des Herzens in klinischen Cine-MRT-Bilddaten untersucht, welche das Herz während eines Herzzyklus räumlich und zeitlich abbilden. Hierfür wurde ein modellbasiertes 4D-Verfahren zur integrierten Segmentierung und Registrierung entwickelt, welches aufgrund der Modellinformationen in der Lage ist räumlich und zeitlich konsistente Segmentierungen der verschiedenen Herzregionen zu erzeugen und darüber hinaus oberflächenbasierte Bewegungsinformationen liefert. Die Genauigkeit bzw. Generalisierungsfähigkeit eines solchen modellbasierten Segmentierungs- und Registrierungsverfahrens hängt in der Praxis allerdings entscheidend von der Qualität und Quantität der zum Training des Modells verfügbaren Trainingsdaten – d.h. manuell segmentierter Bilddaten – ab. Da die Verfügbarkeit solcher Trainingsdaten im medizinischen Kontext allgemein limitiert ist, wurden im Projektverlauf zwei Verfahren entwickelt, die es ermöglichen flexible Form-, Erscheinungs- und Deformationsmodelle mit hoher Generalisierungsfähigkeit auf der Basis einer geringen Menge von Trainingsdaten zu erzeugen. Grundidee der entwickelten Ansätze ist die Anwendung des aus der Physik bekannten Lokalitätsprinzips auf die zu modellierenden Objekte, d.h. es wird angenommen, dass entfernte Objektstrukturen nur einen indirekten Einfluss auf die lokale Form oder Erscheinung haben. Die entwickelten Ansätze eignen sich auf natürliche Weise zur Multi-Objekt Segmentierung und können in einen Multi-Level Ansatz eingebettet werden, der es ermöglicht globale und sukzessiv lokalere Formund Erscheinungsvariationen integriert zu repräsentieren. In verschiedenen Experimenten wurde gezeigt, dass die entwickelten Ansätze in der Lage sind für kleine Trainingspopulationen besser generalisierende Modelle zu erzeugen als Stateof-the-Art-Verfahren, was sich in der Praxis auch in verbesserten Segmentierungsresultaten niederschlägt. Die hohe Generalisierungsfähigkeit ermöglicht weiterhin die Anwendung dieses Ansatzes zur modellbasierten Data Augmentation für CNN-basierten Lernverfahren. So wurde anhand einer geringen Anzahl von Trainingsdaten ein Form- und Erscheinungsmodell generiert, das eine beliebige Anzahl simulierter Daten erzeugt, die dann das Training von CNNs für die medizinische Bildregistrierung erlauben. Die trainierten CNNs können dann beispielweise zur schnellen und akkuraten Schätzung der Herzbewegung in räumlich-zeitlichen Bilddaten eingesetzt werden.