Kurzfassung
In der Bestrahlungsplanung bei Hirntumoren wird typischerweise ein Sicherheitsabstand von 2 − 2, 5 cm um das im T2-Flair MR-Bild hyperintense Gebiet eingeplant. Verläßliche Vorhersagen des Tumorwachstums können dazu beitragen, die Strahlendosis noch besser auf gefährdete Regionen zu konzentrieren und gleichzeitig gesundes Gewebe zu schonen. Aktuelle Verfahren aus der Forschung nähern sich diesem Problem mit einer expliziten, generativen Modellierung des Wachstumsprozesses. Wir präsentieren ein alternatives, diskriminatives Verfahren. Mit Hilfe einer annotierten Datenbasis und überwachtem Lernen wird ein Wachstumsmodell trainiert und im nächsten Schritt auf ungesehene Daten angewendet. In allen 6 Testpatienten lieferte der Ansatz genauere Vorhersagen (DICE 0, 80±0, 09) als die bisherige Herangehensweise (DICE 0, 56 ± 0, 07).
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Similar content being viewed by others
Literaturverzeichnis
Swanson K, Alvord E, Murray J. A quantitative model for differential motility of gliomas in grey and white matter. Cell Prolif. 2000;33:317–29.
Jbabdi S, Mandonnet E, Duffau H, et al. Simulation of anisotropic growth of lowgrade gliomas using diffusion tensor imaging. Magn Reson Med. 2005;54(3):616–24.
Konukoglu E, Clatz O, Menze BH, et al. Image guided personalization of reactiondiffusion type tumor growth models using modified anisotropic eikonal equations. IEEE TMI. 2010;29(1):77–95.
Stretton E, Geremia E. Importance of patient DTI’s to accurately model glioma growth using the reaction diffusion equation. Proc ISBI. 2013;1130(32):5–8.
Pasternak O, Sochen N, Gur Y, et al. Free water elimination and mapping from diffusion MRI. Magn Reson Med. 2009;62(3):717–30.
Breiman L. Random forest. Mach Learn. 1999;45:1–35.
Swanson KR, Bridge C, Murray JD, et al. Virtual and real brain tumors: using mathematical modeling to quantify glioma growth and invasion. J Neurol Sci. 2003;216(1):1–10.
Mosayebi P, Cobzas D, Murtha A, et al. Tumor invasion margin on the Riemannian space of brain fibers. Med Image Anal. 2012;16(2):361–73.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2015 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Weber, C. et al. (2015). Überwachtes Lernen zur Prädiktion von Tumorwachstum. In: Handels, H., Deserno, T., Meinzer, HP., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2015. Informatik aktuell. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-46224-9_81
Download citation
DOI: https://doi.org/10.1007/978-3-662-46224-9_81
Published:
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-46223-2
Online ISBN: 978-3-662-46224-9
eBook Packages: Computer Science and Engineering (German Language)