Auswertung von Pferde-Szintigraphie-Aufnahmen

Projekttitel: Auswertung von Pferde-Szintigraphie-Aufnahmen

Projektdauer: 2022 – 2026

Forschungsbereich: Biowissenschaften und Medizin, Veterinärmedizin

Die manuelle Auswertung von Szintigraphiebildern ist zeitaufwendig, subjektiv und erfordert umfangreiches Fachwissen. Maschinelles Lernen (ML) bietet das Potenzial, diesen Prozess zu rationalisieren und zu beschleunigen und gleichzeitig die Objektivität und Konsistenz zu erhöhen.Dieses Projekt konzentriert sich auf zwei klinisch relevante anatomische Regionen:

• Halswirbelsäule C6/C7 (HWS C6/C7): Pathologien im kaudalen Bereich der Halswirbelsäule, insbesondere im Bereich der C6/C7-Facettengelenke, zeigen häufig eine erhöhte Radiotracer-Aufnahme. Dies kann die Interpretation pathologischer Veränderungen in Szintigraphiebildern erschweren. Der Goldstandard für die Diagnose ist die Messung von Strahlungsintensitätsunterschieden anhand von Regionen von Interesse (ROI). Diese Methode ist in diesem Bereich jedoch besonders komplex und erfordert beträchtliche Erfahrung.
• FTU (Fesselträgerursprung / Ursprung des Fesselbandes): Eine Desmitis des Fesselbandes ist eine häufige Erkrankung bei Sportpferden.

Ziele

• Entwicklung eines KI-basierten Systems zur automatisierten Auswertung von Szintigraphiebildern
• Verbesserung der Objektivität und Reproduzierbarkeit der Diagnoseergebnisse
• Erkennung von Entzündungen in bestimmten anatomischen Regionen
• Deutliche Verkürzung der Bildauswertungszeit
• Verbesserung der diagnostischen Leistungsfähigkeit und Ermöglichung des klinischen Einsatzes

Problemstellung

• Die manuelle Bildauswertung dauert mehr als eine Stunde pro Bild
• Die ROI-basierte Analyse weist eine relativ geringe Genauigkeit auf (~60 %)
• Heterogene Daten aus drei Kliniken (Bargteheide, Isernhagen, Leipzig)
• Notwendigkeit eines Vergleichs zwischen der herkömmlichen ROI-Analyse und den Ergebnissen des KI-basierten Modells

Technologie

• Datenvorverarbeitung
• Bildauswahl mithilfe von Convolutional Neural Networks (CNN)
• Datenaugmentierung zur Erhöhung der Modellrobustheit
• Bildmaskierung mit U-Net zur anatomischen Segmentierung
• Klassifizierung mithilfe von Random-Forest-Klassifikatoren
• Sequenzglättung mit benutzerdefinierten Algorithmen
• Abschließende Klassifizierung mithilfe von CNN-basierten Modellen

Ausblick

• Es ist ein Living-Lab-Demonstrationsprojekt in Form einer Webanwendung geplant

Team

Teamleitung

• Dr. Christian Martin (Datenbanken Gruppe Leipzig – ScaDS.AI Dresden/Leipzig)

Teammitglieder

• Anja Neumann (Angewandte KI und Big Data – ScaDS.AI Dresden/Leipzig)
• Sigita Krüger (Klinik für Pferde – Veterinärmedizinische Fakultät Universität Leipzig)
• Prof. Kerstin Gerlach (Bilddiagnostik – Veterinärmedizinische Fakultät Universität Leipzig)

Finanzierung

• Bundesministerium für Forschung, Technologie und Raumfahrt; Freistaat Sachsen