Automatische Analyse und Erkennung von Bildstrukturen in 3D-/4D-OCT-Bilddaten unter Verwendung von Verfahren des maschinellen Lernens

Die optische Kohärenztomographie (OCT) ist ein nichtinvasives Bildgebungsverfahren, das auf Licht geringer Kohärenzlänge basiert. Die OCT funktioniert auf dem Prinzip der Ultraschallbildgebung, wobei anstatt Schallwellen Licht verwendet wird. Dabei werden mittels Interferometrie Laufzeitunterschiede zwischen dem zurückgestreuten Licht des Probenstrahls und dem Licht des Referenzstrahls gemessen, wodurch dreidimensionale Volumenaufnahmen in Mikrometerauflösung möglich sind.

Deep-Learning-Methoden für ein verbessertes Monitoring der altersbedingten Makuladegeneration in zeitlich-räumlichen 4D-OCT-Bildfolgen

Im diesem Projekt werden Deep Learning basierte Lernmethoden für ein verbessertes Monitoring der altersbedingten Makuladegeneration (AMD) entwickelt. Das Projekt wird in Kooperation mit der Klinik für Ophthalmologie des Universitätsklinikums Schleswig-Holstein in Kiel und dem Institut für Biomedizinische Optik der Universität zu Lübeck bearbeitet.

Die altersbedingte Makuladegeneration (AMD) ist die häufigste Erblindungsursache im Alter über 60 Lebensjahren in der westlichen Welt. Bei der feuchten, exsudativen Form der AMD kommt es zu einer Ödembildung unter der Netzhaut. Aufgrund einer Sauerstoffunterversorgung der Photorezeptoren werden Botenstoffe wie z.B. der Vascular Endothelial Growth Factor (VEGF) gebildet, der zu einer choroidalen Neovaskularisation führt. Die neu gebildeten Gefäße sind sehr fragil, wodurch sie in der Makula unerwünschte Einblutungen verursachen. Um dem unkontrollierten Blutgefäßwachstum entgegenzuwirken, lassen sich VEGF-Antikörper in den Glaskörperraum injizieren. Der Therapieeffekt hält jedoch nur wenige Wochen an, so dass eine Reiinjektion nach diesem Zeitraum erforderlich ist. Für eine verbesserte Diagnostik und Therapie der AMD werden im Rahmen des Projekts neue Deep-Learning-Methoden für die computergestützte Analyse und Erkennung von Biomarkern (Abb. 1) in räumlich-zeitlichen 4D-OCT-Bilddaten entwickelt, implementiert und validiert. Die entwickelten Methoden sollen die Biomarker in den OCT-Bilddaten erkennen und klassifizieren, so dass ein Rezidiv frühzeitig erkannt werden kann.


Abb. 1: OCT-Schicht (B-Scan) der Makula eines AMD-Patienten. Die typischen AMD-Pathologien sind segmentiert: Intraretinales Fluid (IRF) in blau, subretinales Fluid (SRF) in rot, und Pigmentepithelablösung (PED) in grün.

Maschinelle Lernmethoden zur Segmentierung und Analyse der subkutanen Fettschicht der Mäusehaut in 3D/4D-OCT-Bilddaten

Das Ziel dieses Projektes ist die automatische Segmentierung und quantitative Analyse des subkutanen Fettgewebes von Mäusen in 3D-OCT-Bilddaten mittels maschineller Lernmethoden, die zur Evaluation des Kryolipolyseverfahrens benötigt werden. Dieses Projekt wird in Zusammenarbeit mit dem Cutaneous Biology Research Center am Massachusetts General Hospital in Boston durchgeführt.

Die Kryolipolyse ist ein von dem Kooperationspartner Dr. Dieter Manstein mitentwickeltes kosmetisches Verfahren für die nichtinvasive Fettreduktion. Durch eine spezielle kontrollierte Kühlungstechnik lassen sich selektiv subkutane Fettzellen zerstören. Für die zukünftige Evaluation des Verfahrens soll ein Mausmodell erprobt werden. Mittels OCT lassen sich 3D-Aufnahmen der Mäusehaut in Mikrometerauflösung erstellen (Abb. 1). Diese hohe Auflösung resultiert in einer großen Bilddatenmenge, deren manuelle Auswertung praktisch aufgrund des hohen Zeitaufwands nicht durchführbar ist. Das Ziel dieses Projekts besteht in der Entwicklung eines computergestützten Verfahrens, um Segmentierungen der subkutanen Fettschicht in 3D-OCT-Bilddaten automatisiert zu erstellen (Abb. 2). Für die Umsetzung sollen gezielt lernbasierte Methoden entwickelt werden, die eine hohe Genauigkeit und Robustheit aufweisen.


Abb. 2: Darstellung der Mäusehaut im Leistenbereich. Links: Beispiel eines einzelnen B-Scans der Mäusehaut. Rechts: Übersichtsbild während der Aufnahme mit markiertem Scanbereich (rotes Rechteck). Die gestrichelte Linie zeigt die Position des B-Scans an.


Abb. 3: Farbcodierte Darstellung der Dicke des segmentierten subkutanen Fetts.

Ausgewählte Publikationen:

  1. Kepp T., Droigk C., Casper M., Evers M., Salma N., Manstein D., Handels H.,
    Segmentation of subcutaneous fat within mouse skin in 3D OCT image data using random forests", Proc. SPIE 10574, Medical Imaging 2018: Image Processing, 1057426 (2 March 2018); doi: 10.1117/12.2290085
  2. Kepp T., Droigk C., Casper M., Evers M., Salma N., Manstein D., Handels H.
    Abstract: Random-Forest-basierte Segmentierung der subkutanen Fettschicht der Mäusehaut in 3D-OCT-Bilddaten, In: Maier A., Deserno T.M., Handels H., Maier-Hein K.H., Palm C., Tolxdorff T. (eds.), Bildverarbeitung für die Medizin 2018, Erlangen, Informatik aktuell, Springer Vieweg, Berlin Heidelberg, 203, 2018

Projektteam:

M.Sc. Timo Kepp
Prof. Dr. rer. nat. habil. Heinz Handels (Leitung)

Kooperationspartner:

PD Dr. rer. nat. Gereon Hüttmann
Institut für Biomedizinische Optik
Universität zu Lübeck

Dr. med. Claus von der Burchard
Klinik für Ophthalmologie
Universitätsklinikum Schleswig-Holstein, Kiel

Prof. Dr. med. Johann Roider
Klinik für Ophthalmologie
Universitätsklinikum Schleswig-Holstein, Kiel

Dr. Dieter Manstein
Cutaneous Biology Research Center
Massachusetts General Hospital, Boston, Massachusetts

 

oct_with_biomarker_icon_80x80.png
Created at April 4, 2018 - 8:00am by Kepp. Last modified at April 10, 2018 - 2:15pm.

Languages

Address

Office
Susanne Petersen

new phone number:
Tel+49 451 3101 5601
Fax+49 451 3101 5604


Ratzeburger Allee 160
23538 Lübeck
Germany