Digital Detective: Exakte Überlagerung von postmortalen MRIs und Hirnschnitten zur Klärung der Todesursache

Ein im MRI gemessenes Volumen soll in den während der Obduktion aufgenommenen Hirnschnittbildern präzise lokalisiert und visualisiert werden, um darin durchgeführte Messungen gezielt verifizieren zu können.

Bildaufnahme der Hirnschnitte mit Referenzwinkel

Ausgangslage

Am Institut für Rechtsmedizin (IRM) an der Universität Zürich wird eine Methode untersucht, um mittels Magnetresonanz-Spektroskopie bei Verstorbenen eine nicht-invasive und ortaufgelöste biochemische Analyse in einem ausgewählten Volumenelement des Gehirns durchzuführen (Single Voxel MRS). Sobald gemäss der untersuchenden Fachperson eine Obduktion diese Messung und Überprüfung zulässt, wird diese vorgenommen. Um die Messung auf ihre Genauigkeit zu überprüfen, werden Hirnschnitte, welche bei der Obduktion gemacht werden, fotografiert. Aus dem gemessenen Volumen von ca. 2 cm * 2 cm * 2 cm, welches auf einem MR-Bild geplant wird und ersichtlich ist, sollen Proben entnommen werden und mit anderen Methoden untersucht werden. Mit diesen Vergleichsmessungen lässt sich die Genauigkeit der MR-Spektroskopie untersuchen. Die Schwierigkeit bei diesem Vorgehen besteht darin in dem kurzen Zeitrahmen, den eine Obduktion zulässt, den Messbereich aus dem MRI exakt auf den Hirnschnitten zu lokalisieren. Wenn die Lokalisierung nicht exakt ist, sind entsprechend auch die Messwerte nicht zur Verifizierung der MR-Spektroskopie geeignet.

Zielsetzung

Ziel des Projektes ist, dass der Messbereich in den Hirnschnitten möglichst exakt gefunden und visualisiert werden kann. Dazu müssen die Hirnschnitte in den MRI trotz Deformierung und variabler Schnittdicke lokalisiert werden können. Die Hirnschnitte müssen zudem aus den Bildern segmentiert werden, um eine Überlagerung mit dem MRI zu ermöglichen. Der Prozess soll durch die technische Komponente die Effizienz, in der sonst schon zeitlich limitierten Obduktion, steigern und das Resultat reproduzierbar machen. Damit ein Mehrwert erreicht wird, muss die Lösung ab Dateneingabe im Rahmen von 15 Minuten ein visualisiertes Ergebnis liefern.

Ergebnisse

Durch die Entwicklung einer standardisierten Bildaufnahmemethodik, die Segmentierung mittels K-Means sowie die Implementierung verschiedener Mapping-Verfahren konnte der Messbereich in den Originalaufnahmen für Fachpersonen klar und anwendungsorientiert dargestellt werden. Die Visualisierung wurde gezielt an die Anforderungen der Fachpersonen angepasst. Eine abschliessende qualitative Bestimmung der Lokalisierungsgenauigkeit war jedoch nicht möglich. Die Analyse zeigte, dass insbesondere die Standardisierung des Aufnahmeprozesses und die adaptive Skalierung der Bilddaten entscheidend zur Ergebnisverbesserung beitragen. K-Means erwies sich als robuste Segmentierungsmethode, während Template-Matching-Ansätze einen ausgewogenen Kompromiss zwischen Genauigkeit und Rechenzeit bieten. Nichtlineare Verfahren wie Demons oder B-Spline könnten theoretisch höhere Genauigkeiten erreichen, waren jedoch aufgrund der zeitlichen Limitierung von 15 Minuten pro Datensatz in der vorliegenden Arbeit nicht praktikabel.

Technische Schlüsselbegriffe

• SprachePython
• LibrariesOpenCV (cv2), SimpleITK, pyscipopt, sklearn

Kund:in

Universität Zürich
Institut für Rechtsmedizin
Dr. Sc. ETH Zürich Niklaus Zölch
Link zum Institut für Rechtsmedizin UZH

Team