Multimodale Segmentierung und Klassifikation zerebraler Läsionen ...

Weitere Magazine

Empfehlungen

Info

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
Ausblick 45 Features genauer werden. In der Diplomarbeit „Segmentation and Characterisation of Multiple Sclerosis Lesions using Quantitative Magnetic Resonance Imaging“ von D. Lang wird das Ver- fahren ausführlich beschrieben [19]. (a) Normales Schwellwertverfahren GM (b) Sliding Threshold GM (c) Normales Schwellwertverfahren WM (d) Sliding Threshold WM Abbildung 28: Unterschied zwischen einfacherer Schwellwert-Methode und „Sliding Threshold“- Methode. Die Gewebe links wurden mit der Schwellwert-Methode und die Gewebe rechts mit „Sliding Threshold“-Methode segmentiert. Deutlich ist eine Reduzierung des Rauschens in der neuen Methode zu erkennen. 45
Seite 1 und 2:
Diplomarbeit Multimodale Segmentier
Seite 3 und 4: Danksagung Für die Vermittlung und
Seite 5 und 6: Inhaltsverzeichnis iv Inhaltsverzei
Seite 7 und 8: Abbildungsverzeichnis vi Abbildungs
Seite 9 und 10: Tabellenverzeichnis viii Tabellenve
Seite 11 und 12: Einleitung 1 1 Einleitung 1.1 Motiv
Seite 13 und 14: Grundlagen 3 2 Grundlagen 2.1 Multi
Seite 15 und 16: Grundlagen 5 2.2.3 DICOM Die am MRT
Seite 17 und 18: Methoden 7 Abbildung 4: Wassergehal
Seite 19 und 20: Methoden 9 Ausgangspunkt: viele Obj
Seite 21 und 22: Methoden 11 der kleinsten Determina
Seite 23 und 24: Methoden 13 Punkten, eine genauere
Seite 25 und 26: Methoden 15 Test spezifischen Winke
Seite 27 und 28: Methoden 17 σ 2 Rausch und die aus
Seite 29 und 30: Methoden 19 Abbildung 11: MS-Läsio
Seite 31 und 32: Methoden 21 Abbildung 13: 3D-Punktw
Seite 33 und 34: Ergebnisse 23 4 Ergebnisse 4.1 Vali
Seite 35 und 36: Ergebnisse 25 (a) darstellung Mitte
Seite 37 und 38: Ergebnisse 27 (a) Darstellung Mitte
Seite 39 und 40: Ergebnisse 29 deutlicher Unterschie
Seite 41 und 42: Ergebnisse 31 Deshalb wurde zum Ber
Seite 43 und 44: Ergebnisse 33 H2O lokal im Mittel 1
Seite 45 und 46: Ergebnisse 35 Proband Läsionsnr. W
Seite 47 und 48: Diskussion 37 5 Diskussion 5.1 Vali
Seite 49 und 50: Diskussion 39 ±90 ◦ während sie
Seite 51 und 52: Diskussion 41 5.2.1 Globale Gewebsa
Seite 53: Diskussion 43 inhomogener verteilt.
Seite 57 und 58: Literaturverzeichnis 47 [14] R. Gr
Seite 59 und 60: Anhang 49 (a) Darstellung Mittelpun
Seite 61 und 62: Anhang 51 B Gewebe Daten Proband/Wi
Seite 63 und 64: Anhang 53 (a) Mittelwert Boxplot T1
Seite 65 und 66: Anhang 55 (a) Mittelwert GM T1 (b)
Seite 67 und 68: Anhang 57 (a) Winkel Map T1-H2O bei
Seite 69 und 70: Anhang 59 (a) Mittel T1 (c) Mittel
Seite 71 und 72: Anhang 61 (a) Histogramm Winkel T1-
Alle anzeigen

Multimodale Segmentierung und Klassifikation zerebraler Läsionen ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?