MuscleMoDeL
Ziel dieses Projekts ist die Entwicklung eines auf künstlicher Intelligenz basierenden Ansatzes zur automatischen Extraktion der Morphologie der Wirbelsäulenmuskulatur von radiologischen Bildern.
Steckbrief
- Lead-Departement Gesundheit
- Weitere Departemente Technik und Informatik
- Institut Physiotherapie
- Forschungseinheit Bewegungsbiomechanik der Wirbelsäule
- Förderorganisation BFH
- Laufzeit 01.01.2021 - 31.07.2022
- Projektverantwortung Dr. Stefan Schmid
- Projektleitung Dr. Stefan Schmid
-
Projektmitarbeitende
Prof. Marcus Hudritsch
Benjamin Noah Fankhauser
Christian Bangerter
Michael von Arx - Partner Inselspital
- Schlüsselwörter Medizinische Bildverarbeitung, Neuronale Netze, U-Net, CT-Scans
Ausgangslage
MSK-Modellierung ist nur dann genau, wenn die Modelle patientenspezifisch sind, insbesondere im Hinblick auf die Muskeleigenschaften. Um solche Parameter anzupassen, stützen wir uns in der Regel auf manuell segmentierte CT-Scans. Diese Verfahren sind jedoch sehr zeitaufwändig und daher für die Forschung an grösseren Stichproben oder für den klinischen Alltag nicht geeignet. Ein möglicher Weg, diese Prozesse zu beschleunigen, wäre die Verwendung eines Ansatzes der künstlichen Intelligenz (KI) wie Deep Learning, bei dem biologisch inspirierte neuronale Netze eingesetzt werden, die es Computern ermöglichen, aus Beobachtungsdaten zu lernen. Ein gut trainiertes neuronales Netz könnte so die für die Bildsegmentierung benötigte Zeit von mehreren Stunden auf einige Sekunden pro Patient*in reduzieren. Das übergeordnete Ziel des Projekts ist die Entwicklung, das Training und die Verifizierung eines neuronalen Netzwerks für die automatische Extraktion von patientenspezifischer paraspinaler Muskelmorphologie aus CT-Scans, um eine angemessene Simulation der Wirbelsäulenbelastung durch MSK-Modellierung zu ermöglichen.
Vorgehen
Um das neuronale Netz angemessen trainieren zu können, werden wir einen Trainingsdatensatz erstellen, der aus etwa 200 CT/MRT-Scans von gesunden Kindern und Jugendlichen besteht. Um die erforderlichen Trainingsdaten zu extrahieren, werden die Aufnahmen manuell segmentiert, einschließlich der Bewertung der Morphologie der Rumpfmuskulatur durch Bestimmung der Muskelquerschnittsfläche (CSA) und der relativen Position für jede horizontale Wirbelmittelebene mit einer speziell dafür entwickelten Bildverarbeitungssoftware. Anhand unseres Trainingsdatensatzes werden wir dann ein fertig trainiertes neuronales Netzwerk (CNN) für die Erkennung von Wirbelkörpern sowie von Konturen der Musculi erector spinae und multifidi neu trainieren. Der Prozess der Umschulung eines bereits trainierten Netzes wird als Transferlernen bezeichnet und erfordert weit weniger Epochen und führt zu einer besseren Genauigkeit. Schließlich werden die Muskelmorphologiedaten mit Hilfe einer bereits etablierten MATLAB-Pipeline in unsere MSK-Modelle implementiert.
Ergebnisse
Es wurde ein Datensatz von 56 (statt der geplanten 200) CT-Scans erstellt. Um die CT-Scans angemessen segmentieren zu können, entwickelten wir zunächst ein benutzerdefiniertes Segmentierungstool, mit dem wir die Scans (952 Einzelschichten) manuell segmentierten. Mit den Daten von 54 ausgewählten Scans haben wir dann eine erweiterte U-Net-Architektur mit drei Schichten trainiert, zunächst für die Erkennung von Wirbelkörpern und dann für Muskelquerschnitte. Schließlich wurde das Netz anhand der Daten der 2 verbleibenden Scans evaluiert, was zu einem «dice score» von 0,84 und einer «intersection over union» von 0,62 führte. Das Netzwerk war also in der Lage, die ausgewählten Muskelquerschnitte automatisch zu erkennen, allerdings noch nicht mit menschenähnlicher Leistung.
Ausblick
Dieses Projekt legte den Grundstein für eine vollautomatische Erkennung von Muskelquerschnitten als Grundlage für MSK-Modelle der Wirbelsäule. Um eine dem Menschen ähnliche Leistung des neuronalen Netzes zu erreichen, sind jedoch weitere Optimierungen erforderlich.
