Frühere Projekte

KONTAKT

Dipl.-Math.in Dr.in Katja Bühler

Area Coordinator Complex Systems | Head of Biomedical Image Informatics Group, Biomedical Image Informatics

buehler(at)vrvis.at +43 1 908 98 92 401

PROJEKTDETAILS

START: 03.2014

ENDE: 12.2016

Osteoarthritis (OA) ist eine Gruppe mechanischer Anomalien, die mit einem Abbau von Gelenken, einschließlich des Gelenkknorpels und des subchondralen Knochens, einhergehen. Um OA-Fälle zu identifizieren, müssen Ärzte täglich eine Reihe von Röntgenaufnahmen visuell inspizieren. Darüber hinaus sind selbst geschulte Expertenaugen oft nicht in der Lage, eine genaue Diagnose oder eine frühzeitige Vorhersage zu treffen, wenn sie die projizierte Knochentextur betrachten. Um die menschliche Arbeit zu reduzieren, sollte die automatische Erkennung beim Screening auf offensichtliche Fälle von OA helfen und verdächtige Fälle für eine genauere Untersuchung kennzeichnen. Die Herausforderungen, die im Rahmen dieses Projekts gelöst werden, lassen sich grob in medizinische Bildverarbeitungsaufgaben und Aufgaben des maschinellen Lernens unterteilen.

Das Ziel des medizinischen Bildverarbeitungsteils ist die automatische Lokalisierung und Kennzeichnung von Landmarken, Konturen und Regionen von Interesse, und zwar konsistent über eine große Anzahl von eingegebenen Röntgenbildern hinweg. Die automatisch gefundenen Formen werden in Attribute, wie z.B. Abstände, Flächen und Winkel, umgewandelt. Die interessierenden Regionen werden zur Messung der Textur-Eigenschaften des darunter liegenden Knochens verwendet. Typische Beispiele hierfür sind fraktale Messungen, Frequenzanalysen oder Texturdeskriptoren, die häufig in der Bildverarbeitung verwendet werden, wobei das Ziel des maschinellen Lernteils darin besteht, die automatisch extrahierten Attribute den Bewertungen der menschlichen Experten zuzuordnen. Diese Scores können zwei Klassen, z.B. gesund versus OA, mehrere Klassen, z.B. die von Kellgren und Lawrence vorgeschlagenen Scores (Osteophytengrade, Fortschritt der Knochensklerose) oder eine Reihe von kontinuierlichen Werten umfassen. Ziel ist es, geeignete Modelle (d.h. Klassifikatoren) zu finden, die das Experten-Scoring am besten widerspiegeln.