Multi-Axis Fusion zur zuverlässigen Unsicherheitsabschätzung in der MRT-Bildsynthetisierung

Zielsetzung Diese Studie untersucht die Unsicherheitsabschätzung bei der Bild-zu-Bild- Synthetisierung für kontrastverstärkte T1-Bilder mithilfe einer neuartigen Multi-Axis Fusion (MAF)-Methode. Ziel ist es, Unsicherheiten zu quantifizieren und die MAF-Methode mit MC-Dropout und Deep Ensemble zu vergleichen, um die Zuverlässigkeit synthetisierter Bilder zu erhöhen.

Material und Methoden Verwendet wurde der BraTS 2023-Datensatz mit 1251 Kopf MRT-Scans (gesunde und Tumorregionen). Ein U-Net-GAN-Modell wurde für die Synthetisierung von kontrastverstärkten T1-Bilder mittels T1-, T2- und T2-FLAIR-Bildern trainiert. Die Unsicherheitsabschätzung erfolgte durch MAF, MC-Dropout und Deep Ensemble, wobei der Pearson Korrelationskoffizent zwischen dem mittleren Unsicherheitswert und dem mittleren absoluten Fehler (MAE) untersucht wurde.

Ergebnisse MAF zeigte den höchsten Pearson Korrelationskoffizent zwischen Unsicherheitswert und MAE (ρ=0.89 für Gesunderegionen und ρ=0.61 für Tumorregionen), was auf eine verbesserte Vorhersagegenauigkeit hinweist. Besonders in den gesunden Bereichen erfasst MAF die Fehlerstellen besser als MC-Dropout (ρ=-0.11) und Deep Ensemble (ρ=0.38). Die Unsicherheitskarten für die MAF-Methode zeigten zudem eine räumliche Übereinstimmung mit den tatsächlichen Fehlerverteilungen.

Schlussfolgerungen MAF bietet eine zuverlässige Unsicherheitsabschätzung, die einen wertvollen Proxy für die Fehlerlokalisation bei der MRT-Bildsynthetisierung darstellt. Diese Methode könnte eine klinische Unterstützung bei der Qualitätssicherung durch Erkennung potenzieller Syntheseausfälle bieten und eignet sich für Anwendungen, die robuste Bildübersetzungen erfordern.

Publikationsverlauf

Artikel online veröffentlicht:
25. März 2025