EUVIMEDEUVIMED entdecken
Crossref

Conditional Spatiotemporal MRI Atlas of the Fetal Brain using Deep Learning

Johannes Tischer

reposiTUm (TU Wien) · 01.03.2024

DOI: 10.34726/hss.2025.123166 ↗

Kurz gefasst

Fachartikel in der Zeitschrift reposiTUm (TU Wien), erschienen am 01.03.2024. Verfasst von Johannes Tischer.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Die fetale Magnetresonanztomographie (MRT) bietet durch die hohe strukturelle Auflösung tiefe Einblicke in die Gehirnentwicklung. Die Beurteilung einer altersgerechten Entwicklung wird jedoch durch mehrere Faktoren erschwert. Dazu zählen komplexe neurologische Prozesse, individuelle Schwankungen in den Entwicklungsstadien sowie technische Unterschiede zwischen MRT-Geräten und Scan-Protokollen, die die Bildqualität beeinflussen. Zusätzlich erschwert die ungenaue Bestimmung der Schwangerschaftswoche den Vergleich mit gleichaltrigen Föten. Mit der Einführung von Atlanten wurde ein Referenzsystem geschaffen. Durch Bildregistrierung wird eine Korrespondenz zwischen den neurotypischen Atlanten mit einem individuellen Föten hergestellt, das einen objektiven Vergleich sowohl innerhalb eines Individuums als auch zwischen verschiedenen Subjekten ermöglicht. In dieser Arbeit haben wir einen Datensatz mit neurotypischen fetalen Gehirnen von 308 Probanden im Gestationsalter von 21 bis 37 Wochen erstellt. Auf Basis dieses Datensatzes wurde zwei deep-learning Modelle entwickelt und implementiert, die Veränderungen abhängig von Attributen modellieren. CAL-REG umfasst ein CNN-basiertes Registrierungsmodell, das maximale Korrespondenz unter Einhaltung anatomischer Einschränkungen erzielt. CAL-GAN erweitert CAL-REG um einen Discriminator, der durch den direkten Vergleich zwischen generierten und echten Bildern, altersspezifische, scharfe Atlanten erzeugt, mit anatomisch realistischen Grenzen und Formvariationen. Beide Ansätze ermöglichen eine, zu den Atlasbildern zugehörige, robuste Segmentierung von sechs Gehirnregionen in Echtzeit, mit einem Dice-Koeffizienten von 85.5%. Zusätzlich erlaubt die volumetrische Analyse die Darstellung neurotypischer Wachstumstrajektorien. Die vorgeschlagene Methode ermöglicht die Generierung altersspezifischer, neurotypischer, fetaler Gehirne. Es erzielt eine Segmentierungsgenauigkeit, die mit konventionellen Verfahren vergleichbar ist, bietet dabei jedoch eine schnellere Verarbeitungsgeschwindigkeit. Darüber hinaus ist das Framework erweiterbar, beispielsweise für die individualisierte entwicklungsdiagnostische Beurteilung durch den direkten Vergleich zum Normkollektiv oder der Integration von anderen Modalitäten wie der Ultraschallbildgebung.

Schlagwörter

fetal brain MRIconditional image generationgenerative adversarial networksbrain segmentationbrain growth trajectoriesbrain developmentbrain structure segmentationvolumetric analysis

Zitieren

APA

Tischer, J. (2024). Conditional Spatiotemporal MRI Atlas of the Fetal Brain using Deep Learning. reposiTUm (TU Wien). https://doi.org/10.34726/hss.2025.123166

Vancouver

Tischer J. Conditional Spatiotemporal MRI Atlas of the Fetal Brain using Deep Learning. reposiTUm (TU Wien). 2024. doi:10.34726/hss.2025.123166

BibTeX
@article{Tischer2024,
  author = {Tischer, Johannes},
  title = {Conditional Spatiotemporal MRI Atlas of the Fetal Brain using Deep Learning},
  journal = {reposiTUm (TU Wien)},
  year = {2024},
  doi = {10.34726/hss.2025.123166}
}
Kostenlos starten →