Der Algorithmus eignet sich vornehmlich für die Grundlagenforschung und klinische Studien, weil hier in der Regel viele MRT-Bilder und demnach große Datenmengen ausgewertet werden müssen.
Die Magnetresonanztomografie (MRT) ist wichtiger Bestandteil bei der Diagnose von Multipler Sklerose (MS). Nur mit ihrer Hilfe lassen sich die für MS typischen T2-hyperintensen Läsionen in der weißen Hirnsubstanz aufspüren. Ihre Anzahl hängt stark mit verschiedenen MS-Symptomen, dem Behinderungsgrad und damit dem weiteren Krankheitsverlauf von Patienten zusammen. In der Grundlagenforschung ist das Läsionsvolumen daher von besonderem Interesse.
Algorithmus für moderne 3T MRT-Geräte
Der neu entwickelte Algorithmus ist aktuell für 3 Tesla (3T) MRT-Geräte mit einer dreidimensionalen T1-gewichteten Gradientenecho (GRE) Sequenz und einer konventionellen FLAIR Sequenz konzipiert. Das Studienergebnis hat gezeigt, dass die automatische Bildsegmentation dem manuellen Verfahren in Hinblick auf Sensitivität, Spezifität und Genauigkeit in nichts nachsteht. „Wir gehen sogar so weit zu sagen, dass unser Algorithmus der manuellen Auswertung überlegen ist, da es keine Effekte gibt, die allein auf den jeweiligen auswertenden Radiologen zurückzuführen sind (sogenannte user bias)“, meint Mühlau.
Für das KKNMS ist die Forschungsarbeit von Mühlaus Team von unschätzbarem Wert, da für das größte Projekt des Netzwerks, die Kohortenstudie, rund 1.000 MRT-Aufnahmen von Patienten mit früher MS bzw. klinisch isoliertem Syndrom (KIS) ausgewertet werden müssen. „Da erspart uns ein solcher Algorithmus viel Personal- und Zeitaufwand“, bestätigt Prof. Dr. Bernhard Hemmer, Leiter des Forschungsverbunds CONTROL MS, in dem die Kohortenstudie angesiedelt ist.
Die Studie wurde im Rahmen des KKNMS (Forschungsverbund CONTROL MS) vom Bundesministerium für Bildung und Forschung gefördert. Der vollständige Forschungsbericht ist kürzlich in „NeuroImage“ unter dem Titel „An automated tool for detection of FLAIR-hyperintense white-matter lesions in multiple sclerosis“ erschienen (DOI 10.1016/j.neuroimage.2011.11032).