Ein neues Deep‑Learning‑Verfahren ermöglicht die automatisierte Trennung von Hirngewebe und Hintergrund in fotografischen Aufnahmen von koronar geschnittenen postmortalen Gehirnproben. Die Methode reduziert den bislang notwendigen manuellen Aufwand, der die Skalierbarkeit früherer Bild‑Registrierungsprozesse stark einschränkte.
Hintergrund und Motivation
Die volumetrische Analyse von postmortalen Hirngeweben hat in den letzten Jahren dank verbesserter Bildregistrierung und maschinellem Lernen an Bedeutung gewonnen. Traditionell erforderten diese Analysen eine manuelle Segmentierung, die zeitintensiv und fehleranfällig war. Die vorgestellte Lösung adressiert dieses Engpassproblem.
Methodik des Deep‑Learning‑Ansatzes
Das System basiert auf einer U‑Net‑Architektur, die mit 1.414 manuell segmentierten Bildern aus zwei verschiedenen Einrichtungen trainiert wurde. Die Datensätze umfassten sowohl fixiertes als auch frisches Gewebe mit unterschiedlichen Diagnosen, wodurch die Generalisierbarkeit des Modells erhöht wurde.
Leistungsbewertung
Auf einem unabhängigen Testset erreichte das Modell einen medianen Dice‑Score von über 0,98, eine mittlere Oberflächendistanz von unter 0,4 mm und eine 95‑Prozent‑Hausdorff‑Distanz von unter 1,60 mm. Diese Werte liegen im Bereich der inter‑ und intra‑Rater‑Variabilität, die bei manueller Segmentierung beobachtet werden.
Verfügbarkeit und Weiterverwendung
Der Code und das trainierte Modell stehen öffentlich unter der Adresse surfer.nmr.mgh.harvard.edu/fswiki/PhotoTools zur Verfügung. Zusätzlich können die zugrunde liegenden Trainingsdaten über Zenodo (https://zenodo.org/records/20647553) abgerufen werden, um weitere Forschungen zu unterstützen.
Ausblick
Durch die Automatisierung der Segmentierung können Forschungsteams größere Bildbestände effizienter auswerten und neue Erkenntnisse zur Gehirnstruktur und -pathologie gewinnen. Zukünftige Arbeiten könnten die Methode auf weitere Bildmodalitäten ausdehnen.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung