Automatisierte Bruchzonenerkennung mit Künstlicher Intelligenz

Die Erkennung von Bruchzonen in Computertomographie-(CT)-Scans des Handgelenks stellt eine zeitaufwändige Herausforderung in dem Alltag eines Handgelenkchirurges dar. Diese Arbeit untersucht, wie Künstliche Intelligenz zur Verbesserung der Frakturdiagnostik beitragen kann.

GIF einer erstellten Bruchzone

Ausgangslage

Die Diagnose von Handgelenksfrakturen basiert aktuell auf der visuellen Interpretation von CT-Scans durch Radiologen und Chirurgen. Diese Methode ist zeitaufwendig und fehleranfällig, insbesondere bei komplexen Frakturen. In bisherigen Forschungsarbeiten wurde hauptsächlich die Segmentierung einzelner Knochenfragmente untersucht. Die direkte Erkennung von Bruchzonen wurde jedoch kaum erforscht. Dies bietet die Möglichkeit, die Diagnose zu optimieren und den Annotationsaufwand für Experten zu reduzieren.

Zielsetzung

Ziel dieser Arbeit ist die Entwicklung eines KI-Modells zur automatisierten Segmentierung von Bruchzonen im Handgelenk auf Basis von CT-Daten. Dazu wird ein 3D U-Net Modell trainiert, das Bruchzonen erkennt und markiert. Durch gezielte Vorverarbeitungsschritte wie Data Augmentation und optimierte Region-of-Interest-Cropping-Methoden soll die Genauigkeit der Vorhersagen verbessert werden. Langfristig sollte dieses Modell in der klinischen Praxis zur Unterstützung der Frakturanalyse eingesetzt werden.

Ergebnisse

Die automatische Segmentierung von Bruchzonen stellte eine Herausforderung dar, da keine präzisen Knochenbruchsegmentierungen als Referenz vorhanden waren. Daher wurde ein eigens entwickelter Algorithmus zur Generierung der Bruchzonen implementiert, um einen Ground-Truth Datensatz zu erstellen. Die erstellten Bruchzonen wurden stichprobenweise von einem Spezialisten validiert, jedoch führte die oft unklare Abgrenzung der Frakturverläufe zu Unsicherheiten im Trainings- und Validierungsprozess. Da Frakturlinien in CT-Scans nicht immer eindeutig erkennbar sind, ist oftmals eine Interpolation durch Experten erforderlich, welche auch durch die wenigen Trainingsdaten von unserem Modell nicht erlernt werden konnte.

• Die Bruchzonen wurden korrekt lokalisiert, aber ihre Form konnte nicht zuverlässig erfasst werden.
• Die geringe Anzahl an verfügbaren Labels und die strukturelle Komplexität der Bruchzonen beeinflussten die Modellleistung.
• Optimiertes RoI-Cropping führte zu einer deutlichen Verbesserung der Segmentierungsqualität.
• Ein zweistufiges RoI-Cropping könnte falsch zugeschnittene Patienten für das Training nutzbar machen.
• Data Augmentation zeigte positive Effekte, insbesondere globale Transformationen.
• Das Problem des Overfittings konnte nicht gelöst werden.

Durch gezielte Vorverarbeitungsschritte wie das verbesserte RoI-Cropping und die Erweiterung der Bruchzonen konnte die Segmentierung optimiert werden. Allerdings waren die verfügbaren Daten nicht ausreichend, um eine zuverlässige Modellgeneralisierung zu gewährleisten.

Ursprünglich war vorgesehen, diese Bruchzonen als zusätzlichen Input in ein hierarchisches Modell zu integrieren, um die Segmentierung einzelner Frakturfragmente zu optimieren und deren genaue Form besser erfassen zu können. Diese Idee basierte auf der Annahme, dass eine explizite Segmentierung der Bruchzonen eine bessere Grundlage für die Erkennung der einzelnen Knochenfragmente bieten würde. Die bisherigen Ergebnisse zeigen jedoch, dass diese Vorgehensweise aktuell nicht praktikabel ist, da die generierten Bruchzonensegmentierungen in ihrer Form und Genauigkeit nicht ausreichend präzise sind. Die Unsicherheiten in den Segmentierungen erschweren eine verlässliche Weiterverarbeitung in einem hierarchischen Modell, sodass dieser Ansatz zum jetzigen Zeitpunkt nicht umgesetzt werden kann.

Technische Schlüsselbegriffe

• CT Computertomographie; Bildgebendes Verfahren zur detaillierten Darstellung von Knochenstrukturen.
• RoI-Cropping Optimiertes Zuschneiden/Auswahl der Daten für bessere Modellleistung.
• Ground Truth Validierte Knochenbruchsegmentierungen zur Trainingsdatenerstellung.
• Data Augmentation Erweiterung der Trainingsdaten durch Transformationen.
• Overfitting Problem der geringen Generalisierbarkeit aufgrund begrenzter Daten.
• 3D-Segmentierung Identifikation von Bruchzonen im dreidimensionalen Raum.
• Binary ClassificationEinteilung des Bildes auf zwei Klassen.
• Sparse Matching Automatische Identifikation relevanter Bildbereiche.
• Fragmentsegmentierung Erkennung von Knochenfragmente in CT Bilder.

Team