Schlussbericht Teilvorhaben "Detektion und longitudinale Analyse von Pathologien in Thorax-CT-Aufnahmen " im Verbundprojekt "Deep Learning-gestützte Früherkennung von Veränderungen in Thorax-CT-Aufnahmen" (SPIRABENE)

Abstract

Die Thorax-Bildgebung mit Hilfe der CT ist eine der häufigsten radiologischen Untersuchungen in Deutschland und weltweit. Insgesamt wurden 2009 ca. 800.000 Untersuchungen jährlich in Deutschland durchgeführt (Arztreport der BARMER 2011; jüngere Erhebungen sind nicht bekannt). Gemäß dem Bundesamt für Strahlenschutz (BfS) nimmt die Anzahl der CT-Untersuchungen in Deutschland schnell zu. Im Zeitraum von 2007 bis 2016 betrug der Zuwachs 45%, das sind Raten von im Mittel 5% pro Jahr. Damit schätzen wir die Gesamtzahl der Thorax-CT-Aufnahmen, die 2020 in Deutschland angefertigt werden, auf ca. 1,3 Millionen ab. Computer-Tomografie (CT)-Aufnahmen des Thorax spielen bei der Diagnose und dem Monitoring von Lungenerkrankungen, wie bei Bronchialkarzinomen und auch bei der COVID-19-Erkrankung, eine wichtige Rolle. Eine quantitative Auswertung der CT-Verlaufsdaten, die bislang in der Patientenversorgung nicht zur Verfügung steht, könnte bei der frühen Erkennung von Therapie-relevanten Veränderungen entscheidend helfen. Durch die erst seit wenigen Jahren erfügbaren tiefen neuronalen Netze können heute schwierige Bildverarbeitungsaufgaben zum ersten Mal vollständig automatisiert gelöst werden. Zentrales Forschungsziel war es, mit Hilfe von Deep Learning (DL)-basierte Ansätze zur Registrierung von stark deformierbaren Objekten sowie Detektion und Quantifizierung von Pathologien in diesen Strukturen eine vollautomatisch arbeitenden Bildverarbeitungstechnologie zur Erkennung kleinster anatomischer und pathologischer Veränderungen auf Thorax-CT-Aufnahmen zu entwickeln, die den Anforderungen in der Patientenversorgung vollumfänglich entspricht (SPIRABENE-System). In unserem interdisziplinären Forschungsverbund wurden dabei alle notwendigen Schlüsselkompetenzen klinische Exzellenz (Universitätsmedizin Mainz), medizinische Bildverarbeitungsexpertise (Fraunhofer MEVIS) und Umsetzungs- und Anwendungswissen in der klinischen Praxis (jung diagnostics GmbH) vereint. Unser Teilvorhaben umfasste dabei die Entwicklung und Implementierung von Algorithmen und neuronalen Netzwerken zur Detektion und longitudinalen Analyse von Pathologien in Thorax-CT-Aufnahmen. Dies beinhaltete einerseits die Segmentierung von kompakten und diffusen Lungenläsionen sowie der Lungenlappen bei Krebs- und COVID-19-Patienten. Zum anderen beschäftigten wir uns mit der Registrierung und darauf basierenden Änderungsanalyse von Thorax-CT und der Übertragung der Läsionssegmentierungen auf Folgezeitpunkte. Diese Bausteine wurden dann von JDX in eine Gesamtlösung integriert und von UMM evaluiert.