Thema: Ein Framework zur vollautomatischen Vorverarbeitung und Auswertung von MRT-Bilddaten zur Unterstützung der Diagnose von Demenzerkrankungen
Bei der Demenzdiagnostik werden MRT-Scans bezüglich Atrophien (Schrumpfungen) in bestimmten Hirnregionen bewertet. Bei der Erkennung dieser Atrophien erzielen künstliche neuronale Faltungsnetze (Convolutional Neural Networks, CNNs) eine hohe Genauigkeit und können radio- und neurologische Fachleute in ihrer klinischen Praxis unterstützen. Eine besondere Schwierigkeit bei diesem Einsatz von CNNs stellt die nötige Vorverarbeitung der MRT-Daten dar: Bevor die Scans vom CNN bewertet werden können, müssen sie einen mehrstufigen Normalisierungprozess durchlaufen.
Diese Arbeit setzt sich zum Ziel, ein Framework für die Früherkennung von Demenz zu implementieren. Das Diagnoseassistenzsystem soll dabei unverarbeitete 3D-MRT-Scans entgegennehmen, diverse Normalisierungsschritte vornehmen und schließlich mit einem CNN die Wahrscheinlichkeit für eine vorliegende Demenzerkrankung vorhersagen, sowie anomale Hirnregionen im Scan markieren. Außerdem soll die Pipeline eine Segmentierung des Scans in anatomische Hirnareale vornehmen, um den Nutzern quantitativ statistische Vergleiche in Bezug zu gesunden Personen zu ermöglichen.
Neben der Implementierung dieses Frameworks wollen wir folgende Forschungsfragen untersuchen, die sich aus dem Zusammenspiel der Zwischenschritte ergeben:
• Wie kann man die Qualität der Prozessergebnisse automatisiert ermitteln?
• Wie können Normwerte für qualitativ „gute“ MRT-Bilddaten nach jedem Zwischenschritt definiert werden?
• Wie ist auf Abweichung von diesen Normwerten zu reagieren? Wann muss die Auswertung abgebrochen werden?
Die Verteidigung findet am Dienstag dem 4. Juni 2024 um 13:15 Uhr im Konrad-Zuse-Haus (A-Einstein-Str. 22), Raum 321 statt.