Klinikum rechts der Isar Technische Universität München
Neuro-Kopf-Zentrum
Abteilung für Neuroradiologie
Forschungsgruppen und Projekte
Computational Imaging
Kurzbeschreibung
Bilduntersuchungen erzeugen in kurzer Zeit eine Fülle an komplexen Daten, die bislang nur ansatzweise für die klinische Entscheidungsfindung genutzt werden (können). Fortschritte in Bildgebung, Bildnachverarbeitung und Maschinen-Lernen eröffnen aber bisher ungeahnte Möglichkeiten in der computer-assistierten Befundung. In der interdisziplinären Arbeitsgruppe „Computational Imaging“ entwickeln wir Algorithmen und Strategien, um die in Bilduntersuchungen enthaltenen Informationen für den Kliniker besser nutzbar zu machen.
In mehreren Projekten entwickeln wir für zwei Modellerkrankungen (Gliome, Multiple Sklerose) verschiedene Werkzeuge zur (semi-)automatischen Bildsegmentierung (http://braintumorsegmentation.org/), Featureextraktion und (klinischen relevanten) Klassifikation. Zur Dissemination unserer Ergebnisse stellen wir dabei alle bei uns erstellten Tools als Open Source (z.B. über GitHub) zur Verfügung. Daneben sind wir am Aufbau und Softwareinfrastruktur einer internationalen Gliom-Bilddatenbank federführend beteiligt.
Projekte
- Genotypenprädiktion in Gliomen
- Beschreibung der Genotyp-Bildphänotyp-Korrelation der intratumoralen Heterogenität in Glioblastomen
- Aufbau einer internationalen Gliom-Bilddatenbank („BraTum.DB“)
- Vorhersage der Konversion CIS -> MS anhand des Baseline-MRT
- Automatische Segmentierung neuer MS-Läsionen im longitudinalen Verlauf
- Erzeugung synthetischer, patienten-spezifischer MRTs zur entitäts-agnostischen Segmentierung mittels AE-GAN
Leitung
(TUM Neuroradiologie) | |
(TUM Informatik) |
Mitarbeiter
Prof. Jan Kirschke (TUM Neuroradiologie);
Dr. Paul Eichinger (TUM Neuroradiologie);
Dr. Shadi Albarqouni (TUM Informatik);
Esther Alberts (PhD Student);
Christoph Baur (PhD Student);
Florian Kofler (PhD Student);
Haike Zhang (MD Student)
Kooperation
PD Jens Gempt (TUM Neurochirurgie);
Prof. Mark Mühlau (TUM Neurologie);
Dr. Viola Pongratz (TUM Neurologie);
PD Alexander Radbruch (Heidelberg / Essen Neuroradiologie);
Prof. Jürgen Schlegel (TUM Neuropathologie);
Prof. R. Wiest (Bern Neuroradiologie)
Förderung
SFB 824
KKF (Kommission für klinische Forschung)
ZD.B (Zentrum Digitalisierung Bayern)
Deutsche Krebshilfe
Ausgewählte Publikationen
Lipkova J, Angelikopoulos P, Wu S, Alberts E, Wiestler B, Diehl C, Preibisch C, Pyka T, Combs S, Hadjidoukas P, Van Leemput K, Koumoutsakos P, Lowengrub J, Menze B. Personalized Radiotherapy Design for Glioblastoma: Integrating Mathematical Tumor Models, Multimodal Scans and Bayesian Inference. IEEE Trans Med Imaging. 2019 Feb 27.
Zhang H, Alberts E, Pongratz V, Mühlau M, Zimmer C, Wiestler B, Eichinger P. Predicting conversion from clinically isolated syndrome to multiple sclerosis-An imaging-based machine learning approach. Neuroimage Clin. 2019;21:101593.
Eichinger P, Wiestler H, Zhang H, Biberacher V, Kirschke JS, Zimmer C, Mühlau M, Wiestler B. A novel imaging technique for better detecting new lesions in multiple sclerosis. J Neurol, 2017
Eichinger P, Alberts E, Delbridge C, Trebeschi S, Valentinitsch A, Bette S, Huber T, Gempt J, Meyer B, Schlegel J, Zimmer C, Kirschke JS, Menze BH, Wiestler B. Diffusion tensor image features predict IDH genotype in newly diagnosed WHO grade II/III gliomas. Scientific Reports, 2017
Wiestler B, Baur C, Eichinger P, Wiestler H, Zhang H, Biberacher V, Zimmer C, Mühlau M, Kirschke JS, Albarqouni S. Fully automated Multiple Sclerosis lesion detection on multichannel subtraction images through an integrated Computer Vision – Machine Learning pipeline. DGNR 2017 (Ausgezeichnet als einer der besten Vorträge der Jahrestagung der DGNR)
Alberts E, Tetteh G, Trebeschi S, Bieth M, Valentinitsch A, Wiestler B, Zimmer C, Menze BH. Multi-modal Image Classification Using Low-Dimensional Texture Features for Genomic Brain Tumor Recognition. MICGen @ MICCAI 2017
Wiestler B, Kluge A, Lukas M, Gempt J, Ringel F, Schlegel J, Meyer B, Zimmer C, Förster S, Pyka T, Preibisch C. Multiparametric MRI-based differentiation of WHO grade II/III glioma and WHO grade IV glioblastoma. Scientific Reports, 2016
Menze BH, Van Leemput K, Lashkari D, Riklin-Raviv T, Geremia E, Alberts E, Gruber P, Wegener S, Weber MA, Székely G, Ayache N, Golland P. A Generative Probabilistic Model and Discriminative Extensions for Brain Lesion Segmentation - With Application to Tumor and Stroke. IEEE Trans. Med. Imaging, 2016
Osswald M, Jung E, Sahm F, Solecki G, Venkataramani V, Blaes J, Weil S, Horstmann H, Wiestler B, Syed M, Huang L, Ratliff M, Karimian Jazi K, Kurz FT, Schmenger T, Lemke D, Gömmel M, Pauli M, Liao Y, Häring P, Pusch S, Herl V, Steinhäuser C, Krunic D, Jarahian M, Miletic H, Berghoff AS, Griesbeck O, Kalamakis G, Garaschuk O, Preusser M, Weiss S, Liu H, Heiland S, Platten M, Huber PE, Kuner T, von Deimling A, Wick W, Winkler F. Brain tumour cells interconnect to a functional and resistant network. Nature, 2015
Menze BH, Jakab A, Bauer S, Kalpathy-Cramer J, Farahani K, Kirby J, Burren Y, Porz N, Slotboom J, Wiest R, Lanczi L, Gerstner E, Weber MA, Arbel T, Avants BB, Ayache N, Buendia P, Collins DL, Cordier N, Corso JJ, Criminisi A, Das T, Delingette H, Demiralp Ç, Durst CR, Dojat M, Doyle S, Festa J, Forbes F, Geremia E, Glocker B, Golland P, Guo X, Hamamci A, Iftekharuddin KM, Jena R, John NM, Konukoglu E, Lashkari D, Mariz JA, Meier R, Pereira S, Precup D, Price SJ, Raviv TR, Reza SM, Ryan M, Sarikaya D, Schwartz L, Shin HC, Shotton J, Silva CA, Sousa N, Subbanna NK, Szekely G, Taylor TJ, Thomas OM, Tustison NJ, Unal G, Vasseur F, Wintermark M, Ye DH, Zhao L, Zhao B, Zikic D, Prastawa M, Reyes M, Van Leemput K. The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS). IEEE Trans. Med. Imaging, 2015
Kickingereder P, Sahm F, Radbruch A, Wick W, Heiland S, Deimling Av, Bendszus M, Wiestler B. IDH mutation status is associated with a distinct hypoxia/angiogenesis transcriptome signature which is non-invasively predictable with rCBV imaging in human glioma. Scientific Reports, 2015