Computerbasierte 3D Lungenstrukturanalyse

Die Differentialdiagnostik von idiopathischen interstitiellen Pneumonien (IIPs) in hochauflösenden CT (Computertomographie) Daten ist eine essentielle, jedoch schwierige Fragestellung in der klinischen Radiologie. Die Differenzierung der zwei häufigsten Pathologien, der idiopathischen pulmonaren Fibrosen (IPF) und der nichtspezifischen interstitiellen Pneumonien (NSIP) ist relevant, da durch diese verschiedenartige Prognosen abgeleitet werden und meist eine unterschiedliche Therapie erforderlich ist. Im Rahmen dieses Projekts wird ein Computer Aided Diagnosis (CAD) System mit den folgenden zwei Hauptzielen entwickelt: 1) Eine vollautomatische Unterscheidung der CT-Muster von UIP (Usual Interstitial Pneumonia, dem histopathologisches Gegenstück zu IPF) und NSIP, mit verbesserter Sensitivität und Spezitivität gegenüber der konventionellen differenziellen Diagnose. 2) Eine frühere Erkennung und neue Einsichten in die Krankheitsentstehung durch die räumliche und zeitliche Analyse des Krankheitsverlaufs. Das in diesem Projekt entwickelte technische Framework segmentiert die Lunge im CT Volumen, berechnet und selektiert relevante, dreidimensionale Texturefeatures und differenziert automatisch zwischen IPF/UIP und NSIP. Die Veränderungen der interstitiellen Lungenarchitektur wird, basierend auf dreidimensionalen Features der Textur Subtypen, mittels eines Klassifikationsablaufs analysiert (lineare und retikuläre Verdichtungen, Honeycombing). Die diagnostische Qualität wird durch Machine Learning Methoden optimiert, indem die einzelnen Features bewertet und selektiert werden. Dies führt zu einer Klassifizierung von IPF/UIP versus NSIP basierend auf einer optimalen Differenzierung zwischen den Textur Subtypen. Durch die automatisierte, quantitative Analyse des räumlichen und zeitlichen Verlaufs von Folgeuntersuchungen werden neue Einsichten in die Charakteristiken des Krankheitsverlauf möglich und somit eine frühere Differentialdiagnose von IIPs im allgemeinen und IPF/UIP und NSIPDies wird von bedeutendem Einfluss, sowohl für klinische Applikationen, als auch für zukünftige Forschung in diesem Bereich sein. Das resultierende CAD System wird der internationalen Scientific Community als Referenzstandard für die Lungen CT Analyse zur Verfügung gestellt werden.

Im Rahmen des PULMARCH Projekts wurden computerbasierte Methoden entwickelt, die Radiologen helfen Lungenkrankheiten zu diagnostizieren. Diese Diagnose stützt sich auf Muster, die in Computertomographiedaten (CT) abgebildet waren. Ihre präzise Identifikation ist aber schwierig, und der Bezug zur Krankheit wird noch nicht zur Gänze verstanden. Die Algorithmen, die in PULMARCH entwickelt wurden, ermöglichen die vollautomatische Quantifizierung von Lungenmustern in CT-Daten. Neuartige prädiktive Algorithmen vergleichen die zeitliche Signatur eines Falles mit einem Populationsmodell, um die Krankheit zu identifizieren. Das Projekt brachte Forschung in der Diagnose und Fortschritte im maschinellen Lernen zusammen. Das ermöglichte neuartige Ergebnisse in drei Hauptrichtungen: Die automatische Identifikation von Krankheitsmustern in der Lunge, das Lernen von Klassifikatoren bei gleichzeitiger Minimierung von Annotationsaufwand, und die automatische Bestimmung von Krankheiten basierend auf durch Bildgebung erfassten zeitlichen Verläufen. Das hat zwei Auswirkungen zur Folge: die genaue Quantifizierung der Muster unterstützt individuale Diagnose, und klinische Studien. Die Methoden im Gebiet des maschinellen Lernens können auch als Basis für automatische Bildanalyse in anderen anatomischen Regionen und bei anderen Krankheiten dienen.