Bild basierte Analysen zur medizinischen Datenevaluation

Eine automatisierte Bewertung von verarbeiteten digitalen Daten ist unverzichtbar für das Testen, Verbesserung und die Kontrolle von vorhergehenden Methoden und um einen Qualitätsstandard der Daten für die weitere Verwendung zu garantieren. Die Wahl des Qualitätsmaßes ist dabei ausschlaggebend für das Ergebnis einer Evaluierung und kann dabei auch die Entwicklung der Methoden beeinflussen. Daher ist es generell wichtig geeignete Qualitätsmaße zu wählen um einen aussagekräftigen Rückschluss zu erlauben und datenbasierte Probleme in der weiteren Verwendung auszuschließen. Die Evaluierung von digitaler Bildqualität ist in vielen angewandten Forschungsfeldern von großer Bedeutung, wie z.B. Bilderfassung, Verarbeitung oder Rekonstruktion. Besonders im medizinischen Bereich ist automatisierte Bildqualitätsmessung von großer Bedeutung um Echtzeitanalysen zu gewährleisten. Subjektive Evaluierung von klinischem Personal ist oft sehr zeitaufwändig und kostspielig. Darüber hinaus treten in manuellen Annotationen für komplizierte medizinische Probleme öfters Inkonsistenzen auf. Daher braucht es automatisierte Bildqualitätsmessung, die schnelle und konsistente Evaluierung erlaubt. Objektive Bildqualitätsmessung, die Beurteilung ohne menschliche Evaluierung, ist sehr wichtig in vielen Anwendungen und basiert auf verfügbaren Vergleichsdaten oder speziellem Vorwissen bzw. Annehmen über bestimmte Datenmerkmale. Die meisten Bildqualitätsmaße im medizinischen Bereich sind für sehr spezifische Anwendungen konzipiert. Allgemeinere Methoden für Alltagsbilder sind leider für medizinische Daten nicht direkt adaptierbar, da diese sehr unterschiedliche Merkmale aufweisen. Bei einigen der oft benutzten Bildqualitätsmaße für die Evaluierung von maschinellem Lernen, ist sogar bekannt, dass wichtige Merkmale in medizinischen Bildern oft unerkannt bleiben. Dennoch werden diese häufig zur Evaluierung verwendet. Ein universell sinnvolles Bildqualitätsmaß, dass z.B. für verschiedene medizinische Fragestellungen angepasst werden kann, wurde noch nicht vorgestellt. Wir wollen daher ein adaptierbares Bildqualitätsmaß entwickeln, dass sinnvoll für verschiedene medizinische Bildmodalitäten verwendet werden kann. Dabei werden wir neue Resultate zu orthogonalen Projektoren für Datenrepräsentation sowie Analysen von medizinischen Bildqualitätsmaßen verbinden. Interdisziplinarität ist sehr wichtig für dieses Projekt; insbesondere eine Brücke zwischen Forschung zu medizinischer Bildverarbeitung, Bildqualitätsmessung und mathematischen Datenrepräsentationen zu schlagen.

Medizinische Bildgebung spielt eine zentrale Rolle im modernen Gesundheitswesen, da sie Diagnosen, Therapieplanung und klinische Entscheidungsfindung unterstützt. Mit dem fortschreitenden technologischen Wandel in der Bildgebung und der Weiterentwicklung von Bildverarbeitungsalgorithmen, die immer größere Datenmengen erzeugen, wird es nötig, die Qualität medizinischer Bilder bereits in der Entwicklungsphase automatisiert und zuverlässig zu bewerten. Das Projekt behandelte eine grundlegende Herausforderung in diesem Bereich: die Bewertung der Bildqualität auf eine Weise, die nicht nur generelle Bildeigenschaften inkludiert, sondern auch den Anforderungen im medizinischen Bereich gerecht wird. Wir haben den dringenden Bedarf an medizinisch fundierten Bildqualitätsmetriken bei der Entwicklung von neuen Bildverarbeitungsalgorithmen aufgezeigt und stellen neue Methoden sowie offen zugängliche Daten bereit, die gemeinsam den Weg für eine zuverlässigere, transparentere und klinisch aussagekräftigere Bewertung ebnen. Als ersten Schritt veröffentlichten wir eine umfassende Übersichtsstudie, die die Grenzen und typische Fehler weit verbreiteter Bildqualitätsmetriken bei der Anwendung auf medizinische Bilddaten aufzeigt. Diese Arbeit entstand im Rahmen einer internationalen Zusammenarbeit mit Expert*innen aus unterschiedlichen Bereichen der medizinischen Bildgebung. Dabei zeigte sich, dass viele etablierte Qualitätsmetriken, die ursprünglich oftmals für Bilder des täglichen Gebrauchs wie Fotografien entwickelt wurden, die Bildqualität im medizinischen Kontext häufig nicht korrekt bewerten. Der Mangel an öffentlich verfügbaren medizinischen Bilddatensätzen mit Annotationen von Expert*innen stellt weiterhin ein zentrales Hindernis für die systematische Evaluierung und die Entwicklung speziell auf medizinische Anwendungen zugeschnittener Bildqualitätsmetriken dar. Aufbauend auf diesen Erkenntnissen führten wir eine Reihe experimenteller Studien durch, um zu untersuchen, wie gut gängige Bildqualitätsmetriken mit der Expert*inneneinschätzung über verschiedene medizinische Bildgebungsmodalitäten hinweg übereinstimmen. Anhand klinischer Röntgenbilder, die von mehreren Radiolog*innen bewertet wurden, sowie photoakustischer Bilddaten mit Einschätzungen von Fachexpert*innen analysierten wir, inwieweit die jeweiligen Qualitätsmetriken das menschliche Urteil widerspiegeln. Die Ergebnisse zeigten deutlich, dass viele gängige Bildqualitätsmetriken für medizinische Bilder nur unzureichend geeignet sind. Insbesondere auf Alltagsbilder optimierte Metriken erfassen klinisch relevante Bildinformationen nicht zuverlässig und bevorzugen mitunter visuelle Eigenschaften, die im medizinischen Kontext irrelevant oder sogar irreführend sein können. Dies hat weitreichende Konsequenzen für die Entwicklung und Bewertung von Bildverarbeitungsalgorithmen, wie etwa maschineller Lernverfahren zur Bildrekonstruktion in der Magnetresonanztomographie (MRT). Werden ungeeignete Qualitätsmetriken eingesetzt, besteht die Gefahr, dass Algorithmen auf ästhetisch ansprechende Bilder optimiert werden, die jedoch entscheidende diagnostische Inhalte vernachlässigen. Um die Anwendbarkeit auf medizinische Bilddaten weiter zu verbessern, haben wir anschließend eine Bildqualitätsmetrik, die für verschiedene Bildmodalitäten robuste Ergebnisse erzielt hatte, für medizinische Bilddaten angepasst. Unsere Experimente zeigen, dass diese neue Metrik besser mit den Bewertungen medizinischer Expert*innen übereinstimmt als Standardmetriken. Zur Unterstützung weiterer Forschung in diesem Bereich haben wir die photoakustischen Bilddaten mit den Qualitätsbewertungen öffentlich über das Open-Access-Repositorium Zenodo zugänglich gemacht, sowie begleitende Methoden und Algorithmen auf GitHub. Dadurch wird es anderen Forschenden ermöglicht, ihre Methoden zu vergleichen und die Bildqualitätsbewertung für medizinische Bilddaten weiter zu untersuchen.