Artikel • Machine Learning-Analyse räumlicher Bildelemente
Voxelomics: Wertvolle Erkenntnisse aus dem Kontrast-Raum
Die räumlichen Bildelemente, aus denen viele diagnostische Aufnahmen zusammengesetzt sind (volume elements oder kurz Voxel), bergen einen bislang unentdeckten Datenschatz, der die konventionelle Befundung sinnvoll ergänzen könnte. Auf dem Deutschen Röntgenkongress stellte Alexander German von der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) und dem Universitätsklinikum Erlangen das Prinzip der Voxelomics vor und erklärte, wie sich mithilfe von Machine Learning relevante Zusatzinformationen aus den Datenwürfeln herausholen lassen.
Artikel: Wolfgang Behrends
Bildquelle: German et al., NeuroImage 2021 (CC BY 4.0)
Jeder Gewebeblock, der durch ein Voxel repräsentiert wird, zeichnet sich durch eine Reihe physikalischer Eigenschaften aus, die sich jedoch nicht direkt diagnostisch auswerten lassen. Das Forschungsteam um German hat nun in einer Machbarkeitsstudie Machine-Learning (ML) auf Voxel des Gehirns angesetzt, um diese Informationen nutzbar zu machen1 – mit Erfolg: „Uns ist es gelungen, aus circa 300 skalaren MR-Parametern des Gewebes 100 Hirngewebeklassen zu unterscheiden“, berichtet der Experte. Diese teils äußerst subtilen Charakteristika wurden dabei so umgerechnet, dass sie biomedizinisch klassifiziert werden können. Das könnte zukünftig Rückschlüsse auf das Vorhandensein maligner Strukturen wie Tumoren, Vernarbungen, Entzündungen oder Ablagerungen im Gewebe erlauben.
Der Voxelomics-Ansatz funktioniert grundsätzlich mit sämtlichen überlagerungsfreien Modalitäten, etwa die T1-, T2- und Protonendichtegewichtung der MRT-Bildgebung, CT-Bilder bei verschiedenen Röhrenspannungen, die Echogenität im Ultraschall sowie nuklearmedizinische Modalitäten wie SPECT und PET mit verschiedenen Tracern. Zusätzliche nutzbare Gewebeparameter können durch den Einsatz von Kontrastmitteln ermittelt werden. „Die Intensitäts- oder Grauwerte eines idealen bildgebenden Verfahrens sollten möglichst reproduzierbar sein und möglichst nur von lokalen Gewebeeigenschaften abhängen“, ergänzt German.
Alternative zum Atlas?
Ein großer Mehrwert von Voxelomics liegt in der präzisen Differenzierung individueller anatomischer Strukturen. Denn die Atlanten, mit deren Hilfe die Areale des Gehirns bislang zugeordnet werden, reichen von der Auflösung her nicht für die exakte Differenzierung feingeweblicher Strukturen aus. „In unserer Arbeit konnten wir zeigen, dass die Grenzen des Thalamus, der Capsula interna und der Basalganglien in der voxelweisen Segmentierung noch glatter als in der atlasbasierten-Segmentierung erschienen; allerdings waren die kortikalen Grenzen stärker gestreut.“ Dem Team gelang es unter Einsatz von 7T-Ultrahochfeld-MRT, eine globale Klassifizierung von etwa 97 Hirnregionen mit einer Brutto-Genauigkeit von 60% zu erreichen.
Die im Rahmen der jetzt vorgestellten Studie gewonnenen Daten waren derart detailliert, dass bereits ein einziger Patient Millionen von Voxeln als Datenpunkte liefert und so als ‚Präzedenzfall‘ für eine brauchbare Segmentierung ausreicht.
Die möglichst präzise Differenzierung von Hirnarealen ist etwa bei der Resektion von Tumoren ein Vorteil, um angrenzende Strukturen bei Eingriffen möglichst unversehrt zu lassen. In der MR-Bildgebung zeigen sich jedoch häufig Abweichungen vom Standard-Atlas, die zu Kollateralschäden führen können. „Theoretisch könnte MR-Voxelomics eine individualisierte Kartierung sämtlicher Hirnregionen liefern. Aktuell sind atlasbasierte Verfahren aber noch deutlich überlegen und es gibt Bemühungen, Atlanten mit multiparametrischen MR-Bildern und den fMRI-Zeitreihen selbst mittels Machine Learning zu kombinieren“, berichtet German. „Das halte ich für sehr vielversprechend.“
Bildquelle: German et al., NeuroImage 2021 (CC BY 4.0)
Das Verfahren ist jedoch nicht als Alternative zur klassischen Bildgebung konzipiert, sondern funktioniert komplementär, betont der Experte: „Wir sehen das Potential von Voxelomics vor allem als Unterstützung bei der Beurteilung der zahlreichen 3D-Bilder, die von Patienten erhoben werden. Selbst wenn ein Radiologe oder ein Bildverarbeitungs-Algorithmus einen Befund übersieht, könnten lokal übereinstimmende Einzel-Voxel-Signaturen einen Befund anzeigen.“ Wie bei allen Einsatzbereichen von Machine Learning sei die Qualität der Aussagen stark abhängig von den zugrundeliegenden Trainingsdaten.
Da viele gängige Bildgebungsverfahren die Generierung multipler Kontraste erlauben, ließe sich Voxelomics leicht in die klinische Breite bringen, zeigt sich German überzeugt. Die bisherigen Ergebnisse seien vielversprechend, allerdings bedarf es weiterer gut geplanter prospektiver Studien, in denen die Anwendbarkeit auf unterschiedliche Pathologien untersucht wird.
Publikation:
1 German et al., NeuroImage 2021: Brain tissues have single-voxel signatures in multi-spectral MRI; https://doi.org/10.1016/j.neuroimage.2021.117986 ; die am Projekt beteiligten Co-Autoren sind: Angelika Mennecke, Jan Martin, Jannis Hanspach, Andrzej Liebert, Jürgen Herrler, Tristan Anselm Kuder, Manuel Schmidt, Armin Nagel, Michael Uder, Arnd Dörfler, Jürgen Winkler, Moritz Zaiss und Frederik Laun
17.06.2022
