Fallspezifisches Lernen zur automatischen Läsionssegmentierung in multimodalen MR-Bildern

Medizinische Bilddaten haben eine hohe Diversitat aufgrund von Inter- und Intrascanner-Variabilitaten, Protokoll-Parametern sowie patientenspezifischer Erscheinungsformen der Physiologie und Pathologie. Wenn ein einzelner Klassifikator samtliche Variationen berucksichtigen soll, wird dies seine Genauigkeit stark beeintrachtigen. Zur Segmentierung von Lasionen auf multimodalen MR-Bilder schlagen wir aus diesem Grund vor, fur jedes neue Bild einen eigenen Klassifikator zu trainieren. Dazu wird geschatzt, welche der Trainingsdaten am besten geeignet sind um den gegebenen Fall zu segmentieren. Mit diesen wird dann ad hoc der spezifische Klassifikator trainiert. Wir evaluieren unsere Methode anhand der Daten des international ISLE-Wettbewerbs und zeigen, dass eine deutliche Verbesserung der Segmentierungsqualitat erreicht wird.