iDeLIVER: Intelligente MR-Diagnostik der Leber durch Verknüpfung modell- und datengetriebener Verfahren. Teilprojekt C: Datengetriebene Bildanalyse und Klassifizierung

Abstract

Deep Learning Models für Segmentierung des Lebers wurden implementiert und trainiert, getestet an öffentlichen Datensatz. Wir haben eine pixelgenaue Segmentierung der Leber ohne Läsion für den öffentlichen Datensatz CHAOS (Combined (CT-MR) Healthy Abdominal Organ Segmentation) berechnet, verschiedene 2D/3D Netzwerke und Parameter wurden untersucht. Um den Kontrastmittelfluss in der Läsion automatisch zu ermitteln, wurde ein Datensatz durch Erhöhung der Läsionsintensität erstellt. Netzwerke zur Abschätzung der Malignität wurden auf diesen simulierten Daten untersucht und angepasst. Zur Verbesserung und Beschleunigung des Trainings neuer Modelle wurde eine neue Initialisierungstechnik namens "patient-reference initialization" getestet. Das 3D-Modell zur Segmentierung von Leber und Läsionen wurde mit zusätzlichen annotierten Datensätzen vom Partner UKW durch Transfer Learning optimiert. Das kombinierte Training von Rekonstruktion und Segmentierung verwendet das Modell aus Teilprojekt A und wird auf Rohdaten im k-Raum durchgeführt. Dabei werden die Informationen schrittweise reduziert, um das Netzwerk für kürzere Scanzeiten zu trainieren. Ein Software-Prototyp (inklusive Quellcode und Dokumentation) zur Läsionscharakterisierung, der die in Projekt D entwickelten Netzwerkmodelle berücksichtigt, wurde entwickelt