DeePerfusionMRI

Deep Learning basierte Klassifikation von Lungenperfusionsdefekten bei Mukoviszidose(CF), Chronisch thromboembolische pulmonale Hypertonie(CTEPH) und Chronisch obstruktive Lungenerkrankung(COPD) mittels Thorax-Magnetresonanztomographie(DeePerfusionMRI)

Projektleitung: Urs Eisenmann

Kooperation: Klinik für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Heidelberg (DIR),Translational Lung Research Center Heidelberg (TLRC), Hannover Medical School, Biomedical Research in Endstage and Obstructive Lung Disease (BREATH) Charité - Universitätsmedizin Berlin

Förderer: Deutsches Zentrum für Lungenforschung (DZL)

Kurzbeschreibung: 

Für die Beurteilung von Lungenperfusionsstörungen wird in Heidelberg seit etwa 12 Jahren ein Scoringsystem eingesetzt, welches am TLRC entwickelt wurde. Um Radiolog*innen beim Scoringprozess zu unterstützen, soll ein KI-basierter Ansatz entwickelt werden, der eine automatisierte Klassifikation des Perfusions-Scores ermöglicht.

Aufgrund der lappenbasierten Vorgehensweise beim Scoring, ist für das Preprocessing eine präzise Lungenlappendefinition auf den Bilddaten der Patient*innen notwendig, was bei MRT-Bildern eine große Herausforderung darstellt. Bildverarbeitungmethoden und KI-Ansätze sollen eingesetzt werden, um einen automatisierten Algorithmus zur Lungenlappendefinition auf MRT-Bildern zu entwickeln.

Anschließend wird die automatisierte Klassifikation mit Hilfe von überwachten und unüberwachten KI-Ansätzen auf Basis von neuronalen Netzen durchgeführt. Neben den MRT-Bildern sollen auch klinische Daten in die Scoring-Algorithmen integriert werden, mit dem Ziel, die Robustheit und Präzision der Vorhersagen zu steigern. Der Schwerpunkt der Perfusionsuntersuchung liegt hierbei auf den Krankheitsbildern Mukoviszidose (CF), Chronisch-Thromboembolische Pulmonale Hypertonie (CTEPH), Chronisch-Obstruktive Lungenerkrankung (COPD) und Primäre Ciliäre Dyskinesie (PCD).

Um einen möglichst balancierten Trainingsdatensatz im Bezug auf Alter, Geschlecht und Krankheitsverlauf zu erfassen, werden Patientendaten an drei Standorten retrospektiv gesammelt: dem Universitätsklinikum Heidelberg, der Medizinischen Hochschule Hannover und der Charité Berlin.

Zur Darstellung der Entscheidungsgrundlagen der entwickelten KI-Systeme werden Methoden der „Explainable AI“ (XAI) eingesetzt. Die Vorhersagekraft der entwickelten KI-Systeme wird von Radiolog*innen im Rahmen Evaluation beurteilt.

Laufzeit: 05/2024 - 12/2027

Mitarbeitende des Instituts: Friedemann Ringwald, Niclas Hagen, Anna Martynova