Promotionsvortrag von Alexander Ratke

Künstliche Intelligenz wird im Alltag immer präsenter und unterstützt den Anwender durch schnelle Ergebnisse in Bereichen wie Kommunikation oder Bilderkennung. Ziel dieser Arbeit ist es, die Fähigkeiten von Deep-Learning-Techniken für deformierbare Bildregistrierung zu nutzen, um die Übereinstimmung von medizinischen Bildern zu verbessern. Ein automatisierter Registrierungs- und Fusionsworkflow wird für 39 CTund MRT-Aufnahmen des Kopfes entwickelt und evaluiert. Der dreiteilige Workflow beginnt mit einer Vorverarbeitung der Aufnahmen, um die Bildformate zu vereinheitlichen und eine affine Transformation sowie rigide Registrierung durchzuführen. Dann wird ein für DIR trainiertes Deep-Learning-Modell angewendet. Um eine geeignete Konfiguration des Modells zu erhalten, ist eine Parameteruntersuchung durch Variationen erforderlich. Die Auswertung mit der Transinformationsmetrik zeigt eine Verbesserung der Bildübereinstimmung um bis zu 14 % bei Verwendung von Deep-Learning-basierter DIR. Schließlich werden bei der Bildfusion die registrierten CT- und MRT-Aufnahmen mit einer Wavelet-basierten Methode kombiniert, um die Informationen zerlegter Bilder zusammenzuführen. Der Workflow ist für unimodale, z. B. T1- und T2-gewichtete MRTAufnahmen, und multimodale, z. B. CT- und MRT-Aufnahmen, Bildpaare konzipiert. Da die medizinische Bildgebung eine wichtige Grundlage der Behandlungsplanung darstellt, ist durch diesen Workflow eine Verbesserung der Präzision in der Strahlentherapie zu erwarten.

Zurück