Automatisierte Analyse radiologischer Bilddaten

 

Motivation

Die bildgebenden Verfahren der Radiologie ermöglichen die Diagnose vieler Krankheiten, die allein durch andere Verfahren nicht diagnostiziert werden können. Hierzu zählen sowohl die Computertomographie (CT) und die Magnetresonanztomographie (MRT) als auch konventionelle Röntgenverfahren. Die Auswertung der entstandenen Bilder kann (bisher) lediglich durch klinische Experten (Radiologen) vorgenommen werden und ist selbst für diese sehr zeitaufwändig.

Eine (teil)automatisierte Auswertung könnte die Befundung beschleunigen und die Zeit zwischen Bildakquise, Diagnose und Therapiestart stark verkürzen. Ebenso könnten automatisiert gewonnene Ergebnisse als „zweite Meinung“ hinzugezogen werden. Insbesondere bei Notfällen oder bei möglicherweise lebensbedrohlichen Erkrankungen bietet sich hierdurch das Potential, das Therapieergebnis stark zu verbessern.

Wissenschaftliche Fragestellungen

Im Bereich der medizinischen Verarbeitung und Analyse radiologischer Bilddaten gibt es im Wesentlichen vier Arten von Problemstellungen:

  • Bild-Klassifikation ordnet das Bild einer von mehreren Klassen zu. Bei einem Röntgenbild des Beins könnte dies beispielsweise das Vorliegen einer Fraktur sein.
  • Bild-Segmentierung berechnet Masken für bestimmte Regionen im Bild. Am Beispiel des Röntgenbildes könnte so zum Beispiel eine pixelgenaue Maskierung der verschiedenen Knochen des Beins erfolgen.
  • Detektion errechnet sogenannte „Bounding-Boxen“ um bestimmte Zielregionen. Also Boxen, welche die gewünschte Zielregion komplett einschließen. Im Falle des Röntgenbildes wäre dies zum Beispiel die Lokalisation der Fraktur.
  • Vermessungen: Für die Operationsplanung und -durchführung werden von Radiologen, Chirurgen und Orthopäden viele verschiedene Maße erhoben. Dabei handelt es sich vor allem um Winkel und Distanzen, welche anhand anatomisch relevanter Punkte definiert sind. Die manuelle Vermessung durch Ärzte ist ein extrem zeitaufwändiger Schritt und könnte durch automatisierte Lösungen stark beschleunigt werden.

Für jede dieser vier Problemstellungen sind, wie im medizinischen Bereich üblich, nur sehr wenige Daten, insbesondere annotierte Daten, vorhanden. Zusätzlich erschwert die dreidimensionale Bildstruktur vieler dieser Bilder deren Verarbeitung im Vergleich zu herkömmlichen Fotos enorm.

Abschlussarbeiten

Es werden regelmäßig neue Abschlussarbeiten im Bereich der Automatisierten Analyse radiologischer Bilddaten ausgeschrieben. Neben der Gesamtübersicht gibt es auch noch zahlreiche, noch nicht ausgeschriebene Themen, die gerne im persönlichen Gespräch vorgestellt werden.

Kooperationspartner

Drittmittel

  • DFG Sachbeihilfe, “Ansätze zur Überwindung der Datenknappheit im Bereich Deep Learning für die medizinische Bildverarbeitung”, Projektnr. 455548460
  • EURADIOMICS: The Euregional network for Distributed Deep Learning from Radiology imaging to improve decision making in Oncology

Kontakt

M.Sc.

Veröffentlichungen

2022

Justus Schock, Yu-Chia Lan, Daniel Truhn, Marcin Kopaczka, Stefan Conrad, Sven Nebelung and Dorit Merhof
Monoplanar CT Reconstruction with GANs
In: IEEE International Conference on Image Processing Theory and Tools and Applications (IPTA)


2022

Reza Azad, Nika Khosravi and Dorit Merhof
SMU-Net: Style matching U-Net for brain tumor segmentation with missing modalities
In: 5th International Conference on Medical Imaging with Deep Learning (MIDL)


2021

Justus Schock, Daniel Truhn, Darius Nürnberger, Stefan Conrad, Marc S. Huppertz, Sebastian Keil, Christiane Kuhl, Dorit Merhof, Sven Nebelung
Artificial intelligence-based automatic assessment of lower limb torsion on MRI
In: Scientific Reports 11 (1)


2021

Reza Azad, Afshin Bozorgpour, Maryam Asadi-Aghbolaghi, Dorit Merhof and Sergio Escalera
Deep Frequency Re-Calibration U-Net for Medical Image Segmentation
In: ICCV Workshop on Computer Vision for Automated Medical Diagnosis (CVAMD)


2021

Michael Gadermayr, Lotte Heckmann, Kexin Li, Friederike Bähr, Madlaine Müller, Daniel Truhn, Dorit Merhof and Burkhard Gess
Image-to-Image Translation for Simplified MRI Muscle Segmentation
In: Frontiers in Radiology


2021

Michael Gadermayr, Maximilian Tschuchnig, Laxmi Gupta, Nils Krämer, Daniel Truhn, Dorit Merhof and Burkhard Gess
An asymmetric cycle-consistency loss for dealing with many-to-one mappings in image translation: a study on thigh MR scans
In: IEEE International Symposium on Biomedical Imaging (ISBI)


2020

Justus Schock, Marcin Kopaczka, Benjamin Agthe, Jie Huang, Paul Kruse, Daniel Truhn, Stefan Conrad, Gerald Antoch, Christiane Kuhl, Sven Nebelung and Dorit Merhof
A Method for Semantic Knee Bone and Cartilage Segmentation with Deep 3D Shape Fitting Using Data From the Osteoarthritis Initiative
In: MICCAI Workshop on Shape Analysis in Medical Imaging (ShapeMI)


2020

Christoph Haarburger, Gustav Müller-Franzes, Leon Weninger, Christiane Kuhl, Daniel Truhn, Dorit Merhof
Radiomics feature reproducibility under inter‐rater variability in segmentations of ct images
In: Scientific Reports (accepted)


2020

Christoph Haarburger, Justus Schock, Daniel Truhn, Philippe Weitz, Gustav Mueller-Franzes, Leon Weninger and Dorit Merhof
Radiomic Feature Stability Analysis based on Probabilistic Segmentations
In: IEEE International Symposium on Biomedical Imaging (ISBI)


2019

Michael Gadermayr, Kexin Li, Madlaine Müller, Daniel Truhn, Nils Krämer, Dorit Merhof and Burkhard Gess
Domain-specific data augmentation for segmenting MR images of fatty infiltrated human thighs with neural networks
In: Journal of Magnetic Resonance Imaging 49 (6)


2019

Christoph Haarburger, Nicolas Horst, Daniel Truhn, Mirjam Broeckmann, Simone Schrading, Christiane Kuhl and Dorit Merhof
Multiparametric Magnetic Resonance Image Synthesis using Generative Adversarial Networks
In: Eurographics Workshop on Visual Computing for Biology and Medicine (VCBM)


2019

Christoph Haarburger, Justus Schock, Michael Baumgartner, Oliver Rippel and Dorit Merhof
Delira: A High-Level Framework for Deep Learning in Medical Image Analysis
In: Journal of Open Source Software


2019

Christoph Haarburger, Michael Baumgartner, Daniel Truhn, Mirjam Broeckmann, Hannah Schneider, Simone Schrading, Christiane Kuhl and Dorit Merhof
Multi Scale Curriculum CNN for Context-Aware Breast MRI Malignancy Classification
In: International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI)


2019

Christoph Haarburger, Philippe Weitz, Oliver Rippel and Dorit Merhof
Image-based Survival Prediction for Lung Cancer Patients using CNNs
In: IEEE International Symposium on Biomedical Imaging (ISBI)


2018

Christoph Haarburger, Johannes Rüther, Daniel Truhn, Simone Schrading, Daniel Bug, Christiane K. Kuhl and Dorit Merhof
Abbreviated Breast Biopsy Procedure by Registration of Craniocaudal and Mediolateral Breast MR Images
In: IEEE International Symposium on Biomedical Imaging (ISBI)


2018

Christoph Haarburger, Peter Langenberg, Daniel Truhn, Hannah Schneider, Johannes Thüring, Simone Schrading, Christiane K. Kuhl and Dorit Merhof
Transfer Learning for Breast Cancer Malignancy Classification based on Dynamic Contrast-Enhanced MR Images
In: Bildverarbeitung für die Medizin (BVM)


2018

Michael Gadermayr, Constantin Disch, Madlaine Müller, Dorit Merhof and Burkhard Gess
A Comprehensive Study on Automated Muscle Segmentation for Assessing Fat Infiltration in Neuromuscular Diseases
In: Magnetic Reconance Imaging (MRI) 48