Multimodale Segmentierung und Klassifikation zerebraler Läsionen ...

Ausblick 44
6 Ausblick
Um eine präzise Identifizierung von Bildfeature zu erhalten, die sich als diagnostische und
prognostische Marker bei Multipler Sklerose eignen, muss notwendigerweise eine größer an-
gelegte Studie durchgeführt werden. Diese Studie sollte mindestens 50 bis 100 MS-Patienten
und ebenso vielen gesunde Probanden enthalten. Es muss für jeden Patienten bekannt sein,
welche Verlaufsform aufgetreten ist und es müssen für jede der vier bekannten Formen ähnlich
viele Patienten untersucht werden, um so mögliche Unterschiede zwischen den verschiedenen
Verlaufsformen erkennen zu können. Durch die höhere Stichprobenanzahl ließen sich dann
auch kleinere Unterschiede, die bei kleinen Stichproben noch Zufall sein könnten, signifikant
auffinden. Beispielsweise könnte dann der in der Literatur [16] beschriebene Anstieg von T1
im Laufe der MS-Erkrankung verfiziert oder falsifiziert werden. Mit einer solchen Studie wäre
man dann auch in der Lage, Signifikanzaussagen über die Bildfeatures zu treffen. Dafür würden
sich Multiple Regressionsmodelle eignen, die dann das Verhältnis der verschiedenen Parameter
T1, T ∗ 2 und H2O bzw. der zugehörigen Winkel beschreiben und auf die beiden Gruppen MS
und Gesund abbilden könnten. Dafür muss aber das Verhalten der Parameter gut modelliert
werden, wofür womöglich ein lineares oder quadratisches Modell nicht ausreichen würde. Denn
wie die Boxplots in Abbildung 23 zeigen, besitzen die Variablen unterschiedliche Streuungen,
Schiefen der Verteilung und Erwartungswerte. „Fractional Polynomial Regression“ würde sich
möglicherweise eignen, um diese Daten zu analysieren [17] [18]. Diese Methode verwendet eine
erweiterte Kurvenschar, Fractional Polynomials genannt, deren Potenz beschränkt ist auf eine
kleine Zahl ganzzahliger und nicht ganzzahliger Werte. Diese Kurven werden iterativ kombiniert
und für jedes so entstandene Modell wird die Devianz (-2 log-likelihood) berechnet. Dabei wird
dann das Modell mit der besten Devianz und wenigsten Komplexität zur Beschreibung der Daten
verwendet.
Eine weitere Verbesserung bei der Analyse der Daten kann man dadurch erzielen, das man zur
Segmentierung nicht auf ein einfaches Schwellwertverfahren zurückgreift, sondern ein komplexe-
res Verfahren verwendet, das die Merkmale der Daten besser berücksichtigt. Hierbei werden für
die zweidimensionale Segmentierung nicht nur die Informationen von T1 genutzt, sondern auch
die Informationen von H2O. Dies führt dazu, dass die Grauwerte im Randbereich des bekannten
T1 Schwellwertes zwischen GM und WM abhängig von ihrem korrespondierenden H2O Grau-
wert im Bild zugeordnet werden. Größere T1 Grauwerte mit kleineren H2O Grauwerten werden
WM bzw. umgekehrt GM zugewiesen. Abbildung 28 zeigt deutlich die Verbesserung, die mit
einem solchen Ansatz erreicht werden kann. Durch die genauere Segmentierung der Gewebe und
Läsionen würden Partialvolumeneffekte reduziert, so dass weniger Ausreißer die Berechnung
stören würden. Man könnte in diesem Fall erwarten, dass die Berechnungen der unterschiedlichen
44