Forschungs- & Entwicklungsinformationsdienst der Gemeinschaft - CORDIS

Bayessche Methoden zur Charakterisierung von Hirntumoren

Die Diagnose von Hirntumoren und präzise Klassifikation ist trotz enormer technischer Fortschritte bei der Bildgebung noch immer schwierig. Durch Kombination von Daten aus verschiedenen nicht-invasiven MRT-Modalitäten kann eine Fülle relevanter Daten zu Hirntumoren geliefert werden.
Bayessche Methoden zur Charakterisierung von Hirntumoren
Magnetresonanztomographie (MRT) wird derzeit in der In-vivo-Diagnostik und zur Gradierung von Hirntumoren eingesetzt. So kann der Chirurg die Resektion planen und den Therapieverlauf beobachten. Da die diagnostische Genauigkeit aber mitunter nicht ausreicht – etwa bei malignen Gliomen - sind Magnetresonanzspektroskopie (MRS) und spektroskopische Bildgebung (MRSI) hier enorm wichtig.

MR-Spektren (von MRS und MRSI) liefern wichtige biochemische Informationen, um genaue metabolomische Signaturen zu erstellen. Um die meist sehr komplexen Daten richtig interpretieren zu können, haben sich Mustererkennungstechniken zur Verbesserung der diagnostischen Genauigkeit bewährt. Hier besteht allerdings noch weiterer Verbesserungsbedarf, um auch komplexere Fälle genau zu diagnostizieren.

Das EU-finanzierte Projekt BAYESIANMULTIMODALMR (Multimodal analysis of MR data using Bayesian methods) entwickelte daher eine Mustererkennungsmethode, um MRT- mit MRSI-Daten zusammenzuführen. Insbesondere verbesserte man den NMF-Ansatz (nicht-negative Matrixfaktorisierung), um den Tumor neuroonkologisch eingrenzen zu können. Hierzu werden anatomische, zuvor über MRT ermittelte Daten des Tumors herangezogen.

Die vom Team entwickelte Methodik für die Segmentierung des Hirntumors erlaubt eine patientenspezifische Analyse und minimiert so Verfälschungen durch Überlappungen. Außerdem können Teilbereiche untersucht werden, sodass bei der anfänglichen Segmentierung Unsicherheitsbereiche ausgeschlossen werden. Tests an Mausmodellen für Hirntumoren ergaben, dass bei der Datenextraktion MRT-Daten die MRSI-Informationen ergänzen können.

Die Forscher entwickelten auch eine Bayessche NMF-Methode zur automatisierten Auswahl relevanter Quellen mittels so genannter Greedy-Strategie, die Redundanzen und Dopplungen vermeidet. Für Tests und Validierung wurden simulierte und reale Daten aus dem europäischen Projekt INTERPRET herangezogen.

Eine weitere wichtige Entwicklung war ein Verfahren zur Extraktion aussagefähiger Quellensignale, anhand der der Tumor klassifiziert werden kann. Diese Signale geben Aufschluss über gesundes Gewebe, das Ansprechen von Hirntumoren auf Medikamente und unbehandelte oder refraktorische Hirntumoren. Die erzeugten nosologischen Bilder zeigten, dass sich dieser Ansatz zur Klassifizierung von Tumoren und zur Bestimmung der Tumorreaktion auf die Therapie eignet.

Die Forschungsergebnisse wurden auf größeren Konferenzen und in internationalen Fachzeitschriften veröffentlicht, insgesamt in etwa 13 wissenschaftlichen Fachbeiträgen.

Die Umsetzung der in dieser Studie entwickelten Methoden kann dazu beitragen, Daten verschiedener Bildgebungsmodalitäten zusammenzuführen und damit Diagnose, Klassifikation und Patienten-Monitoring zu vereinfachen. Der Ansatz lässt sich aber auch für die Diagnose anderer schwer zu erkennender neurologischer Krankheiten anpassen.

Verwandte Informationen

Fachgebiete

Scientific Research

Schlüsselwörter

Bayessche Methoden, Hirntumoren, MRT, spektroskopische Bildgebung, BAYESIANMULTIMODALMR
Datensatznummer: 190996 / Zuletzt geändert am: 2017-02-07
Folgen Sie uns auf: RSS Facebook Twitter YouTube Verwaltet vom Amt für Veröffentlichungen der EU Nach oben