Projektdaten

---

Relevanzanalyse von DeepLearning-Verfahren zur Klassifizierung biomedizinischer Bilddaten

---

Im Bereich des Maschinellen Lernens (ML) wurden neue Diagnoseansätze basierend auf klinischen Magnetresonanz-Bilddaten vorgestellt. Bei diesen ML-basierten Ansätzen werden klassische Vorverarbeitungsschritte in der Regel nicht durchgeführt, sondern es wird direkt auf den vorliegenden Daten gearbeitet, um zum Beispiel anhand eines Bildkontrastes einen Patienten, der an Multipler Sklerose leidet, zu identifizieren. Dadurch haben ML-Verfahren einen großen Vorteil gegenüber klassischen Analyseansätzen und erzielen eine gleich gute oder in Teilen sogar bessere Klassifizierungsleistung. Unklar bleibt dabei, welche Datenmerkmale in den Eingangsdaten zu einer korrekten Klassifikationsentscheidung geführt haben. Neue Methoden der Relevanzanalyse von Deep- Learning Verfahren erlauben bereits Hinweise für solche Klassifikationsmerkmale herauszuarbeiten. Diese Methoden werden auf reale Eingangsdaten angewandt, und man erhält für jedes Eingangsdatenpaket (Bild) klassenspezifische Aktivierungskarten. Eine höhere Relevanz für die klinische Routine haben jedoch krankheitsbedingte Muster in medizinischen Bilddaten, mit denen man wiederum auf Wirkmechanismen zurückschließen kann. Ein Ansatz zur Herausarbeitung dieser Muster fehlt bis heute. Für das Herausarbeiten solcher allgemeingültigen Merkmale für eine Diagnoseentscheidung, ist es erforderlich, diesen Prozess mit einer Vielzahl von realen Eingangsdaten zu analysieren und darin sich wiederholende Muster zu identifizieren. Im Arbeitsprogramm des Projektes sollen die aktuellen Analysen zur Identifizierung charakteristischer Muster in MR Bilddaten intensiviert werden. Dazu werden zum einen sämtliche bisherigen Analysen unter Randomisierung der Trainingsdaten wiederholt, um die Reproduzierbarkeit zu testen. Des Weiteren wird getestet, ob sich die gewonnenen Muster auch in Daten aus anderen klinischen Studien zur Multiplen Sklerose wiederfinden lassen. Die kompletten Analysen werden zudem auf suszeptibilitätsgewichtete Bildkontraste ausgeweitet, die mit modifizierten MRT-Protokollen aufgenommen wurden, um zu untersuchen, wie kontrastspezifisch die Ergebnisse sind. Abschließend werden die kompletten Auswertungen mit diffusionsgewichteten MR-Daten, die ebenfalls für das Studienkollektiv vorliegen, wiederholt. Das strategische übergeordnete Ziel besteht im Ausbau der Anwendbarkeit von ML und Deep-Learning insbesondere im Bereich der MR-bildbasierten medizinischen Diagnostik. Das Forschungsvorhaben baut auf die interdisziplinäre Zusammenarbeit von Wissenschaftlern in der AG Medizinische Physik. Diese sind zum einen in Projekte involviert, die sich mit methodischen und klinischen Fragestellungen im Bereich der MR-Bildgebung befassen, zum anderen sind Mitarbeiter involviert, die sich mit dem speziellen Thema des Deep-Learning in der medizinischen Bildverarbeitung beschäftigen.