LEHRSTUHL FÜR

MEDIZINTECHNISCHE SYSTEME

Der Einsatz von künstlicher Intelligenz ist in den meisten Lebensbereichen vielversprechend. In diesem Projekt werden Techniken der künstlichen Intelligenz wie Deep Learning und gefaltete neuronale Netze im Bereich der Verarbeitung multimodaler medizinischer Bilder eingesetzt, um die Ausrichtung gerichteter Elektroden der tiefen Hirnstimulation (DBS) im Gehirn zu bestimmen.

Was ist die tiefe Hirnstimulation DBS (engl. deep brain stimulation) und wo wird sie eingesetzt?

Die tiefe Hirnstimulation (DBS) ist ein neurochirurgisches Verfahren, bei dem ein medizinisches Gerät, ein so genannter Neurostimulator oder manchmal auch ein Hirnschrittmacher, eingesetzt wird. Es besteht aus einer Elektrode, einer Leitung, einer subkutanen Verlängerung und einem Impulsgeber [1]. Das DBS ist in der Lage, die Aktivitäten des Gehirns direkt und kontrolliert zu verändern [2]. Die DBS wird zur Behandlung zahlreicher Bewegungsstörungen wie der Parkinson-Krankheit, Zittern, Dystonie, Zwangsstörungen und Epilepsie eingesetzt [3].

Die in diesem Projekt angewandte Methodik dient der Identifizierung der Elektrodenrichtungen durch die Fusion multimodaler medizinischer Bilder wie Computertomographie (CT) und Angiographie (DynaCT) des Gehirns.

Der Zweck der Fusion von zwei Bildern aus verschiedenen Bildgebungsmodalitäten besteht darin, ein informationsreiches Bild zu erhalten, das im Vergleich zu jedem einzelnen Bild zusätzliche Informationen enthält. Dieser Ansatz kombiniert also die Vorteile eines Computertomographie-Bildes (CT), das einen größeren Scanbereich hat, mit einem DynaCT-Bild mit höherer Auflösung, so dass die vorteilhaften Eigenschaften beider Bildgebungsmodalitäten kombiniert werden können.

Der Projektplan sieht folgendermaßen aus:

1. Bildanalyse
2. Bildverarbeitung
3. Bildsegmentierung
4. Multimodale Messung der Bildähnlichkeit
5. Bildregistrierung
6. Bildfusion

 Abb. 1: Messung der Ähnlichkeit medizinischer Bilder auf der Grundlage gefalteter neuronaler Netze

 Abb. 2: Medizinische Bildzusammenführung auf der Grundlage eines neuronalen Faltungsnetzwerks

 Abb. 3: Medizinische Bildregistrierung mit Deep Learning

Die Themen der Projektphasen (4), (5) und (6) eignen sich für Abschlussarbeiten von Studierenden im Bachelor- oder Masterstudium.

• Voraussetzungen für einen Studenten, der sich für eines dieser Projekte bewirbt: Grundkenntnisse in Deep Learning oder Convolutional Neural Networks in der medizinischen Bildgebung und Manipulation sowie Kenntnisse in MATLAB oder Python.
• Der Datensatz, der für die Arbeit an einem der Projekte benötigt wird, ist ausreichend vorhanden und sieht wie folgt aus:

1. Ein Stapel zweidimensionaler Computertomographie (CT)-Bilder des Gehirns.
2. Ein Stapel zweidimensionaler Angiographie-Bilder (DynaCT) des Gehirns.

Wenn Sie weitere Informationen oder Ideen möchten oder eines dieser Projekte besprechen wollen, zögern Sie bitte nicht, mich zu kontaktieren.

Referenzen

[1] Astradsson, A., Schweder, P.M., Joint, C., Green, A.L. and Aziz, T.Z., 2011. Twiddler’s syndrome in a patient with a deep brain stimulation device for generalized dystonia. Journal of Clinical Neuroscience, 18(7), pp.970-972.

[2] C. Hammond, R. Ammari, B. Bioulac, and L. Garcia, “Latest view on the mechanism of action of deep brain stimulation,” Movement disorders: official journal of the Movement Disorder Society, vol. 23, no. 15, pp. 2111–2121, 2008.

[3] A. M. Lozano, N. Lipsman, H. Bergman, P. Brown, S. Chabardes, J. W. Chang, K. Matthews, C. C.McIntyre, T. E. Schlaepfer, M. Schulder, et al., “Deep brain stimulation: current challenges and future directions,” Nature Reviews Neurology, vol. 15, no. 3, pp. 148–160, 2019.