Ultraschall Simulation in der Brustkrebsforschung
Dinah Brandner
Betreuung: Univ.-Prof. Dipl.-Ing. Dr. Bernhard Zagar
Nach Angaben der American Cancer Society wird geschätzt, dass jede achte Frau im Laufe ihres Lebens invasiven Brustkrebs entwickelt. Der Schlüssel für eine vollständige Genesung ist die Früherkennung, weshalb ein regelmäßiges Screening empfohlen wird, da viele Brustkrebs-Frühstadien keine Symptome wie Schmerzen oder Beschwerden aufweisen und zu klein sind, um durch Selbstbeobachtung erkannt zu werden. Der Goldstandard für das Screening ist nach wie vor die Mammographie, die neben der Magnetresonanztomographie (MRT) und der Ultraschallbildgebung die genaueste Diagnose erlaubt. Da jedoch das Screening mittels Mammographie oder MRT mit Risiken und vergleichsweise hohe Kosten verbunden ist, wird versucht die Diagnosegenauigkeit der nicht-invasiven Ultraschallbildgebung zu erhöhen, um diese künftig vermehrt einzusetzen.
Dies kann durch Abschätzung der akustischen Eigenschaften der verschiedenen Brustgewebearten
anhand der Daten eines Ultraschallbildes erfolgen, denn es besteht die Möglichkeit die diagnostische Genauigkeit zu verbessern, wenn man neben den strukturellen (morphologischen) Informationen auch noch die zugehörigen akustischen Eigenschaften bestimmt. Um jedoch zu verifizieren, dass die zur Schätzung verwendete Methode zu erwartungstreuen Ergebnissen geringer Varianz führt, müssen Methoden zur Anfertigung von Phantomen bekannter, örtlich variabler akustischen Eigenschaften entwickelt werden. Ein Teil dieser Arbeit ist daher der Entwicklung von Verfahren zur Produktion von Phantomen mit vorherbestimmbaren akustischen Eigenschaften gewidmet. Da aus der Literatur bekannt ist, dass der Großteil der bösartigen Prozesse akustisch stark dämpfende Eigenschaften besitzt, werden auf Al2O3 basierende Rezepturen hinsichtlich deren Absorptionsverhalten charakterisiert (siehe Abbildung 1).
Auch künstliche Intelligenz kann bei der Verbesserung der Ultraschalldiagnostik helfen, wenn sie eingesetzt wird, um die Radiologen bei der Erstellung einer Diagnose insofern zu unterstützen, als ihre Aufmerksamkeit auf selbst kleine, verdächtig erscheinende Morphologien zu lenken. Aus großen annotierten Datensätzen und unter Anwendung selbst lernender Algorithmen können Computer trainierte Muster mit großer statistischer Sicherheit erkennen.
Diese annotierten Datensätze stehen für Ultraschallbilder noch nicht oder nicht in ausreichender Qualität zur Verfügung. Daher sind Ultraschall Simulationen von aus anderen Abbildungsmodalitäten gewonnenen annotierten Volumendaten hilfreich, um eine Brustkrebs Ultraschall-Datenbank erstellen zu können.
Aus diesem Grund wurden zwei Open-Source-Ultraschall-Simulationsprogramme, Field II und k-Wave, auf ihre Eignung getestet, Simulationsergebnisse zu liefern, die in jeder Hinsicht mit Ultraschallbildern übereinstimmen, die von klinischen Geräten gewonnen werden könnten. Wie sich herausstellte, ist k-Wave sehr gut geeignet alle notwendigen Anforderungen zu erfüllen, und wurde daher sehr detailliert untersucht. Ein Beispiel eines Simulationsergebnisses, wie in der Arbeit präsentiert, wird in Abbildung 2 dargestellt.
Schlagwörter: Ultraschall-Simulationen, k-Wave, gewebe-imitierendes Material, Brustkrebs, Deep Learning
14. Juli 2020