Teilvorhaben: Erstellung der Grundlagen für die präzise, multimodale Registrierung und Schichtselektion von gewebe-intrinsischen, photonischen Signalen

Neue digitale „Deep Learning“ Visualisierungs- und Analysewerkzeuge für gewebe-intrinsische photonische Signale zur 3D-Differenzialdiagnostik in der Pathologie

Motivation

Die mikroskopische Pathologie ist eine zentrale diagnostische Säule der Medizin. Sie wird oft auch unter hohem Zeitdruck durchgeführt. Der Pathologe muss sich hierbei in der Regel auf die Beurteilung einer kleinen Auswahl an sehr dünnen, chemisch gefärbten Gewebeschnitten (2D) Vorlage QT Projektsteckbrief beschränken. Damit liegt die mikroskopische Pathologie im Vergleich mit den modernen 3D-Bildgebungsmethoden der Radiologie noch zurück.

Ziele und Vorgehen

Das Verbundprojekt Digi3D folgt dem Trend der bildgebenden Diagnostik zur 3D-Darstellung, -Auswertung und -Quantifizierung. Es setzt diesen für die mikroskopische Pathologie um. Das neue, computergestützte Diagnostikverfahren nutzt hierbei die photonischen Signale des ungefärbten Gewebes. In einem Gesamtkonzept wird hierzu ein Lichtscheiben-Mikroskop mit speziellen Zusatzmodulen erweitert. Zur Beleuchtung der Probe wird ein spezieller Laser genutzt. Für die Detektion der photonischen Signale wird eine schnelle Kamera eingesetzt. Weiterhin werden Reagenzien für einen optimalen Signalkontrast erforscht. Algorithmen der künstlichen Intelligenz generieren dann eine virtuelle Gewebefärbung und erzeugen die neue Bildgebung für die mikroskopische Pathologie. Die klinische Erprobung erfolgt an zwei differenzialdiagnostisch schwierigen Erkrankungsgruppen.

Innovation und Perspektiven

Das Konzept erschließt einzigartige Möglichkeiten für eine schnelle und präzise mikropathologische Diagnostik und verbessert damit auch die Therapieplanung. Darüber hinaus ergeben sich völlig neue Perspektiven im Rahmen der Pharmaforschung.

Zum Anlernen der selbstadaptiven Machine Learning Algorithmen werden präzise zueinander registrierte Bildsätze benötigt. In dem Teilvorhaben werden die Algorithmen für die multimodale Registrierung der Bildsätze, die Methoden für die Selektion geeigneter 2D-Schnitte aus dem 3D Volumen und nachfolgende Abweichungsmetriken für die Validierung zur Verfügung gestellt. Innovation dieses Teilvorhabens: In dem Teilvorhaben werden durch die präzise Registrierung der Bildsätze zueinander, die Trainingssätze für das Deep Learning erzeugt. Dabei müssen komplexe optische Randbedingungen, wie chromatische Aberrationen und Versätze bei dicken Gewebe, sowie mechanische Deformationen bei der Probenpräparation modelliert und bei der Registrierung berücksichtigt werden.

Lösungsweg

Der Lösungsweg gliedert sich in folgende Teilaufgaben gliedert auf:

• Bereitstellen einer Softwarearchitektur
• Erarbeitung von Algorithmen zur elastischen Registrierung von multimodalen Bildsätzen des Lichtblatt [1] Fluoreszenzmikroskops (LSFM), der Weitfeldmikroskopie und der Histologie
• Erarbeitung von Methoden zur Auswahl von optimalen 2D-Schnitten aus dem 3D-Volumen zur Reduktion des Proben- und Datenvolumens
• Erarbeitung von Abweichungsmetriken zur Validierung

Bedeutung des Teilvorhabens für das Gesamtverbundprojekt

Das Teilvorhaben ist ein zentraler Bestandteil des Gesamtprojektes. Hier werden durch die komplexen Registrieralgorithmen präzise registrierte Trainingssätze für das Machine Learning zur Verfügung gestellt.