Tiefen faltende Autoencoder zur Rekonstruktion von Magnetresonanzbildern des gesunden Gehirns

Die Analyse von Magnetresonanztomographie-Bildern des Gehirns (MRI) ist entscheidend für eine korrekte Diagnose und Therapie neurologischer Erkrankungen. Fortschritte in diesem Bereich können zu einer signifikanten Verbesserung der Gesundheitsqualität beitragen. Aufgrund der Natur der MRI-Datenrekonstruktion lassen sich zahlreiche Anwendungsbereiche weiterentwickeln, darunter die Erkennung und Segmentierung von Erkrankungen, die Datenvervollständigung (Data Augmentation), die Verbesserung der Datenerfassung sowie die Bildverbesserung. In den letzten Jahren wurden bereits zahlreiche Ansätze unternommen, um diese Herausforderungen zu bewältigen. Machine Learning und insbesondere Deep Learning haben sich dabei als äußerst populäre Methoden zur Lösung dieser Probleme etabliert. Verschiedene Ansätze der Datenmining-Technologie – wie überwachtes und unüberwachtes Lernen, Dimensionsreduktion, generative Modelle und andere – können auf die Analyse von MRI-Daten angewandt werden. Darüber hinaus können neu entwickelte Architekturen des Deep Learning, die für andere Bildverarbeitungsaufgaben erfolgreich eingesetzt wurden, ebenfalls hilfreich sein. Zu nennen sind beispielsweise neue Arten von Faltungsoperationen (Convolution), Autoencoder oder generative adversarische Netzwerke (GANs). Daher zielt diese Arbeit darauf ab, eine dieser neuartigen Techniken auf T1-gewichtete Gehirn-MRT-Bilder (T1WMRI) anzuwenden. Es wird ein tiefes Faltungs-Autoencoder-Modell entwickelt, das zur Unterstützung bei bestimmten Problemen der Neuroimaging-Analyse eingesetzt werden kann. Als Eingabe dient dem Autoencoder ein kontrolliertes T1WMRI-Bild, das Ziel ist die exakte Rekonstruktion des Originalbildes. Dabei muss das Bild innerhalb der Architektur jedoch durch einen niedrigdimensionalen Raum verlaufen, wodurch die Rekonstruktion der ursprünglichen Struktur erschwert wird. Der Autoencoder fungiert somit als normativer Modell. Dieses normative Modell definiert eine Verteilung (bzw. einen Normalbereich) für die neuroanatomische Variabilität im Zustand der Krankheitsfreiheit. Nach der Trainierung mit gesunden Kontrollbildern wird die potenzielle Anwendung des Autoencoders als Rauschunterdrückungswerkzeug oder als Erkennungssystem für neurologische Erkrankungen diskutiert.