ARTEMIS: Künstliche Intelligenz bei muskuloskelettalen Erkrankungen

Das ARTEMIS-Konsortium hat sich zum Ziel gesetzt, Algorithmen der kuenstlichen Intelligenz und automatischer Bildverarbeitung anzuwenden um die radiologische Diagnostik und Prognostik des Erkrankungsrikisos auf dem Gebiet der muskuloskelettalen Erkrankungen zu unterstützen. Hierbei erfolgt insbesondere eine Beurteilung des Bewegungsapparates bei Osteoporose sowie eine differenzialdiagnostische Abklärung von degenerativen Erkrankungen. Konkret werden dabei folgende Ziele verfolgt:

  1. Opportunistisch aufgenommene CT-Scans sollen automatisch ausgewertet werden, um ein 10-Jahres-Frakturrisiko für den Patienten zu ermitteln
  2. Es wird eine KI-Unterstützungssoftware für Radiologen und Kliniker erstellt, welche den Anwender auf relevante Krankheitsmerkmale aufzeigt, charakterisiert und bewertet. Diese werden aufgeteilt in osteoporotische Knochenbrüchigkeit der thorakolumbalen Wirbelsäule und des proximal Femurs und degenerative Veränderung an der Lendenwirbelsäule

In Zusammenarbeit mit den anderen Partnern aus dem Konsortium werden wir dazu beitragen einen ganzheitlichen Ansatz zur Risikobewertung und diagnostischen Unterstützung von Wirbelsäulenerkrankungen zu entwickeln. Dieser Ansatz umfasst radiologische Biomarker, leichtgewichtige KI-Modelle und Visualisierungstechniken, insbesondere durch den Einsatz robuster geometrischer Lerntechniken und aufmerksamkeitsfokussierter neuronaler Netzwerke. Dabei verfolgen wir das Ziel den klinischen Wert der KI-Unterstützungssoftware zu erhöhen indem die Interpretierbarkeit durch Visualisierung zugrunde liegender Schlussfolgerungen und Aktivierungsmuster gewährleistet wird. Um den Mehrwert unserer methodologischen Innovationen aufzuzeigen, werden wir die folgenden Forschungshypothesen testen:

  • Verbessert die Integration von klinischen Meta-Parametern (über die Bildgebung hinaus) den Lernprozess von KI-Modellen zur automatisierten Extraktion von krankheitsspezifischen Merkmalen für Wirbelsäulenerkrankungen aus CT-Scans und verbessert damit deren diagnostische Leistungsfähigkeit? 
  • Können leichtgewichtige KI-Modelle gleichwertig genaue diagnostische und prognostische Vorhersagen von Wirbelsäulenerkrankungen liefern, während sie in einer klinischen IT-Umgebung in kürzerer Zeit trainiert und ausgeführt werden?

BMBF Projekt Förderung (2020-2021) 436’530€  UzL (ca 91’562€ IMI)

 

Ausgewählte Publikationen

MP Heinrich, O Oktay, N Bouteldja, OBELISK-Net, Fewer Layers to Solve 3D Multiorgan Segmentation with Sparse Deformable Convolutions, Medical Image Analysis,
54, 1-9 2019

J Schlemper, O Oktay, M Schaap, MP Heinrich, B Kainz, B Glocker, D Rueckert:
Attention gated networks: Learning to leverage salient regions in medical images,
Medical image analysis, 53, 197-207. 2019

Projektteam

Prof. Dr. Mattias Heinrich
M. Sc. Hellena Hempe