Förderprojekte

Förderbeginn 01.07.2014

Maschinelle Lernalgorithmen für Multi-Zentren fMRI Konnektivitätsdaten und Großprojekte in Klinischer Neurowissenschaft

Prof. Dr. Nassir Navab
Technische Universität München
Lehrstuhl für Informatik 16 - Informatikanwendungen in der Medizin

Dr. Seyed-Ahmad Ahmadi
Ludwig-Maximilians-Universität München
Medizinische Klinik und Poliklinik I, II Großhadern

Dr. Jonas Richiardi
Stanford University
School of Medicine - Neurology & Neurological Sciences

Die Akquise von Neuro-Bildgebungsdaten ist mit hohen Kosten verbunden. Derzeit gibt es verstärkt die Tendenz, Daten gemeinsam zu nutzen und den Aufwand für die Datenakquise über mehrere Zentren zu verteilen, einschließlich Top-Projekten wie dem Human Connectome Project in den USA, sowie dem Human Brain Project in der EU. Bisher gesammelte funktionelle Bildgebungsdaten weisen ein großes Potential auf für die Früh-Diagnostik und Dynamik in psychiatrischen (z.B. Schizophrenie) und neurodegenerativen Erkrankungen (z.B. Alzheimer's), die einen großen Anteil in der Bevölkerung betreffen. Aufgrund der physikalischen Prinzipien der MRT Bildgebung gestaltet es sich jedoch als schwierig, Daten von mehreren Zentren zu kombinieren, selbst wenn die Geräte kalibriert sind und vom selben Modell und Hersteller stammen. Um die nächste Generation an datenbasierten Tools zu entwickeln werden fortgeschrittene Methoden benötigt, die es erlauben, Daten aus mehreren Zentren ohne Verlust von statistischer Signifikanz zu vereinen. Das Ziel dieses Projekts ist es, maschinelle Lernalgorithmen zu entwickeln mit denen man die Daten zwischen verschiedenen Standorten aneinander anpasst, so dass die gesamte Datenmenge vergrößert und aussagekräftigere Ergebnisse erzielt werden können. Als Ergebnis des Projekts wird ein mathematischer Framework angestrebt, der angewandt werden kann um die Varianz zwischen Standorten zu minimieren, und gleichzeitig die Trennung der diagnostischen Gruppen (z.B. Patienten und gesunde Kontrollen) beizubehalten. Graph-basierte Repräsentationen von Neuro-Bildgebungsdaten, die die statistische Abhängigkeit zwischen verschiedenen Hirnregionen modellieren, bilden dabei die Grundlage unseres Ansatzes. Wir erwarten dass der entwickelte Framework von unmittelbarem Nutzen für die Forschungsgemeinschaft in medizinischer Bildgebung sein wird.