Differenzierung verschiedener Lungenmorphologien in einem experimentellen Maus-Asthmamodell mittels automatischer Bildanalyse

In dieser Arbeit wurde der Versuch einer Unterscheidung von Lungenmorphologien in Asthmafragestellungen mittels automatischer Bildanalysesoftware vorgenommen. Die zu untersuchenden Parameter waren das Volumen, die Masse und die Dichte der Lunge. Diese Parameter wurden an zuvor in einer andere...

Ausführliche Beschreibung

Gespeichert in:
1. Verfasser: Inan, Selcuk
Beteiligte: Renz, Harald (Prof. Dr.) (BetreuerIn (Doktorarbeit))
Format: Dissertation
Sprache:Deutsch
Veröffentlicht: Philipps-Universität Marburg 2015
Medizin
Ausgabe:http://dx.doi.org/10.17192/z2015.0577
Schlagworte:
Online Zugang:PDF-Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Zusammenfassung:In dieser Arbeit wurde der Versuch einer Unterscheidung von Lungenmorphologien in Asthmafragestellungen mittels automatischer Bildanalysesoftware vorgenommen. Die zu untersuchenden Parameter waren das Volumen, die Masse und die Dichte der Lunge. Diese Parameter wurden an zuvor in einer anderen Studie gewonnenen Daten aus einem Tierexperiment getestet. Dort wurden zwölf Mäuse zu gleichen Teilen in zwei Gruppen aufgeteilt. Die erste Gruppe bestand aus Mäusen der Kontrollgruppe, die nur eine Scheinbehandlung erhielt. Bei der zweiten Gruppe handelte es sich um eine Asthma-gruppe, bei der anhand eines etablierten Modells Asthma induziert wurde. Bei allen Mäusen wurde nach der Bildgebung des Grundzustandes ein künstlicher Asthmaanfall mittels Methacholin ausgelöst und in der Bildgebung erfasst. Ziel war es festzustellen, ob anhand der drei genannten Parameter eine Aussage über die Veränderung der Lungemorphologie der verschiedenen experimentellen Gruppen charakterisierbar war. Der erste Schritt war die visuelle Auswertung der gewonnen Bilder hinsichtlich ihrer Unterschiede. Dazu wurden die Bilder aller Gruppen an einer Workstation miteinander verglichen. Der Leitgedanke für die Softwareentwicklung war, dass Software nur dann Unterschiede finden kann, wenn diese auch visuell in den Bildern zu erkennen waren. Anschließend wurden die statistische Auswertung der Parameter Volumen, Masse und Dichte vorgenommen. Das Ergebnis der statistischen Untersuchung zeigte, dass anhand des Parameters Volumen nur vier der insgesamt sechs Vergleichsgruppen mittels des p-Werts voneinander unterschieden werden konnten. Die Kombination aus Kontrollgruppe vor Methacholin vs. Asthmagruppe vor Methacholin und Kontrollgruppe nach Methacholin vs. Asthmagruppe nach Methacholin konnten anhand der p-Werte nicht voneinander abgegrenzt werden. Dieser Umstand ist damit zu erklären, dass das Volumen bei jedem Phänotyp ein individueller Wert ist und somit bei jeder Maus unterschiedlich ausfällt. Zur Differenzierung der verschiedenen Gruppen anhand des Parameters Masse konnten gar keine statistisch signifikanten Unterschiede gefunden werden. Dieser Parameter ist ebenfalls abhängig vom Phänotyp der einzelnen Maus und somit individuell zu unterschiedlich, so dass er keinen nützlichen Messwert zur Beurteilung darstellte. Durch Definition des dritten Parameters, der Dichte, wurden diese individuellen Unterschiede normiert und es konnten fünf der sechs Gruppenpaare mittels des p-Werts voneinander unterschieden werden. Lediglich das Paar Kontrollgruppe nach Methacholin vs. Asthmagruppe nach Methacholin war nicht unterscheidbar. Dies lag an der Wirkung des Methacholins, welches nach Applikation die Bilder optisch gleich erschienen ließ und diese somit nicht voneinander zu unterscheiden waren. Die Experimente der vorliegenden Arbeit wurden 2012 durchgeführt und zeitlich vor dem Erscheinen der Publikation von Changani et al. (2013) abgeschlossen. Sie wurden völlig unabhängig von den Arbeiten in der Literatur durchgeführt. Fazit: eine Klassifizierung kann erfolgreich mit dem Parameter Dichte durchgeführt werden. Damit ist eine automatische, numerisch basierte Datenanalyse ohne subjektive Einflüsse möglich. Die Ergebnisse hinsichtlich der hier angestellten Klassifizierung sind identisch mit der der fraktalen Dimensionsklassifizierung von Obert und Mitautoren (2015). Die Klassifizierung kann durch die Bestimmung der Dichte rechnerisch einfacher vorgenommen werden und ist deshalb einer Klassifizierung nach der fraktalen Di- mension zu bevorzugen. Ausblick: eine Anwendung und Evaluierung der Software an Humandaten wäre der nächste interessante Schritt, um den Radiologen bei der Arbeit zu unterstützen.
DOI:http://dx.doi.org/10.17192/z2015.0577