Rekonstruktion von Gefäße und Neurone aus 3D Scans

Dank der Entwicklung von hochauflösender Computertomographie und Magnetresonanzangiographie haben Mediziner und Wissenschaftler die Möglichkeit auch feinste Gefäßstrukturen im Detail zu untersuchen und durch Vergleich mit gesunden Strukturen Gefäßanomalien in verschiedenen Organen zu erkennen. Leider ist das Erstellen von Gefäßstruktur Modelle aus 3D-Bildern noch immer sehr kosten- und zeitintensiv, da Gefäße manuell hervorgehoben werden müssen. Auch die Rekonstruktion von Neuronstruktur Modellen basierend auf lichtmikroskopischen 3D Bilder aus Maushirnen, erfordert manuelles Markieren von Axonen und Dendriten. Somit sind größer angelegte Studien und Statistiken in beiden Fällen nicht durchführbar. Wir wollen diese Einschränkungen durch neue Algorithmen, die Gefäß- und Neuronen Strukturen aus 3D- Bildern automatisch rekonstruieren, umgehen. Unser Ansatz fußt auf den Methoden des deep learnings, die seit geraumer Zeit große Erfolge in der visuellen Wiederkennung erzielen konnten. Derzeitige Deep learning Methoden sind erfolgreich in Bildklassifizierungen und - Segmentierung. Hier steht die korrekte Klassifikation im Fokus. Unser Ziel liegt wiederum in der Konstruktion von Gefäß und Neuronen Modellen mit Fokus auf korrekten Strukturen. Somit ist unsere größte Herausforderung die Entwickelung von passende Deep learning Algorithmen basierend auf dem oben genannten Ziel.

Unser Verständnis des menschlichen Körpers wurde jahrtausendelang durch das freiäugige Wahrnehmen anatomischer Strukturen limitiert. Dank des technologischen Fortschrittes können heutzutage die Grenzen des menschlichen Auges überwunden werden und wir sind befähigt komplexere Strukturen des menschlichen Körpers zu analysieren. Mikroskope und CT-Scanner produzieren immer detailliertere 3D-Bilder, sodass es an Bedeutung gewinnt, die Masse erzeugter Daten mithilfe automatisierter Bildanalysetechniken zu interpretieren und zu verstehen. In diesem Projekt haben wir Deep Learning für zwei Arten solcher Bildanalysetechniken eingesetzt. Zuerst beschäftigten wir uns mit der Modell Erstellung von Blutgefäßen und Nerven aus den 3-D Bildern. Die Qualität dieser Modelle ist entscheidend für die Analyse der neurovaskulären Netzwerke, beispielsweise für die Simulation des Blutflusses oder die Ausbreitung neuronaler Signale. Das manuelle Modellieren und Konstruieren im Organgrößenmaßstab ist äußerst zeitaufwändig und somit ist Deep Learning für solche Rekonstruktionen ein idealer Anwendungsfall. Derzeitige Deep-Learning-Ansätze sind aber für oben genannten Tätigkeiten leider nicht geeignet, da sie fehlerhafte Modelle mit falschen Gefäß- und Neuronen Verbindungen oder Strukturunterbrechungen produzieren. Wir haben daher neue Methoden entwickelt, um neuronale Netzwerke, die dünnwandige Strukturen korrekt verbinden und darstellen können, zu trainieren. Diese Methoden verbessern nicht nur die Qualität der Modelle, sondern ermöglichen auch ungenauere Annotationen der Trainingsdaten, die einfacher und schneller zu erstellen sind als präzisere Annotationen. Zweitens befassten wir uns mit der Erkennung des Bronchiolitis-obliterans-Syndroms (BOS) anhand von CT-Scans. BOS ist eine fortschreitende, fibrotische Atemwegserkrankung, die Patienten nach einer Lungentransplantation betreffen kann. Für eine wirksame Behandlung ist eine frühzeitige Diagnosestellung essenziel, die aber noch immer eine Herausforderung darstellt. Die diagnostische Verwendung von CT-Scans ist noch nicht vollständig etabliert, da spezifische Veränderungen oft erst im fortgeschrittenen Krankheitsstadium sichtbar werden. Neuronale Netzwerke hingegen können erste und kaum sichtbare Anzeichen von Krankheiten, die für Menschen schwer zu erkennen sind, in CT-Scans detektieren. Um aber erste pathologische Anzeichen von individuellen anatomischen Merkmalen einzelner Patienten unterscheiden zu können, wird eine umfangreiche Anzahl an Trainingsdaten benötigt. In unserer Studie hatten wir jedoch nur eine überschaubare Anzahl von Patienten. Um diese Schwierigkeit zu lösen, trainierten wir, einerseits das neuronale Netzwerk BOS zu erkennen und andererseits, dass es beim selben Patienten zwischen späten und frühen Krankheitsstadium zu unterscheiden lernt. Diese Methode ermöglicht es dem Netzwerk, die Krankheitssymptome zu erkennen, während es patientenspezifische anatomische Merkmale ignorierte. Unsere Methode erzielte eine hohe Genauigkeit bei der Erkennung von BOS in CT-Scans und zeigte auch vielversprechende Ergebnisse bei der Identifizierung der Patienten die einem erhöhten Risiko an BOS zu erkranken ausgesetzt sind. Jedoch muss unsere Methode noch unter klinischen Bedingungen getestet werden, bevor sie in der standarisierten Diagnostikverfahren zur Anwendung kommen kann.