Lead
Dieses Projekt befasst sich mit der automatischen Identifikation verschiedener Gewebetypen in Bildern der Magnetresonanztomographie von Gehirntumorpatienten. Diese Identifikation, auch Segmentierung genannt, ermöglicht die Quantifizierung der Volumina und weiterer Gewebsparameter, welche für die Diagnose wie auch Planung und Verfolgung der Therapie von grosser Bedeutung sind. Eine automatische Segmentierung der Tumorgewebe erfolgt durch rechnergestützte Methoden, die gegenüber manueller Segmentierung viel effizienter und auch objektiv sind. Die aktuell verfügbaren Methoden weisen einen Mangel an räumlicher Konsistenz ihrer Segmentierungsergebnisse und ein Fehlen einer Schätzung der Messunsicherheit derselben Ergebnisse auf.

Lay summary

Inhalt und Ziel des Forschungsprojekts

Das Ziel dieses Projekts ist es eine Methode zu entwickeln, welche die Messunsicherheit unserer bisherigen Gehirntumorsegmentierungsmethode schätzen kann. Diese Methode wird auf einem Fully-connected Conditional Random Field (CRF) und Perturbations-basiertem Sampling beruhen. Das Fully-connected CRF wird eine bessere räumliche Konsistenz der Segmentierungsergebnisse garantieren, während ein neuartiger perturbations-basierter Ansatz das gleichzeitige Schätzen der Messunsicherheit erlauben wird.

Wissenschaftlicher und gesellschaftlicher Kontext des Forschungsprojekts

Das Schätzen der Messunsicherheit in der automatischen Tumorsegmentierung wird es in Zukunft erleichtern manuelle Korrekturen der Segmentierungsergebnisse vorzunehmen oder unsichere Messergebnisse bei einer weiteren für den Patienten relevanten Analyse auszuschliessen. Die Korrektur von Tumorsegmentierungen ist von grosser Bedeutung in der Radiotherapie und Neurochirurgie, deren Planung auf einer exakten räumlichen Delineation des Tumors basieren.