Die KI-basierte Arteriensegmentierung und Plaque-Quantifizierung in Mäusemodellen ist Gegenstand einer neuen Veröffentlichung, die am 23. April in der renommierten Fachzeitschrift „Scientific Reports“ erschienen ist. In dieser Studie wurde ein mehrstufiges Verfahren beschrieben, mit dem sich Oil-Red-O-gefärbte histologische Schnittbilder der Aortenwurzel automatisiert analysieren lassen. Atherosklerotische Plaques sind dabei lipidreiche Ablagerung in den Arterien, deren Wachstum und Zusammensetzung für die kardiovaskuläre Forschung von besonderem Interesse ist.
Durch die Vielzahl an möglichen Folgeerkrankungen ist Atherosklerose die Haupttodesursache in Industrienationen. Eine große Herausforderung in der Erforschung von Therapiemaßnahmen ist die große Menge an Bilddaten, die aktuell vorwiegend händisch ausgewertet wird. Dank der KI-gestützten Verfahren können diese Prozesse nun objektiver und schneller als bisher durchgeführt werden, ohne die zeitraubende manuelle Segmentierung durchführen zu müssen.
Das seit 2022 am Fraunhofer IMTE entwickelte Konzept kombiniert mehrere Ansätze des maschinellen Lernens (siehe Abbildung 1). Als Erstes wird eine Interessensregion der Arterienstruktur bestimmt, was es ermöglicht die feinen Details der Gefäße in möglichst hoher Auflösung zu verarbeiten. Anschließend werden sogenannte Ensembles verwendet, die unterschiedliche lokale Optima kombinieren, wodurch Fehlsegmentationen reduziert werden. Zur Bestimmung der Ablagerungen in den Arterien wird zuletzt eine unüberwachte Methode verwendet, die diese pathologischen Veränderungen aufgrund der charakteristischen Farbmuster erkennt.
Durch ein spezielles Verfahren zum Transfer von Farbräumen lassen sich zudem Unterschiede in der Färbung und Bildaufnahme minimieren. Diese Pipeline nutzt somit sowohl überwachte als auch unüberwachte KI-Verfahren, um eine möglichst vollständige und robuste Erfassung zu gewährleisten. Die Methode zeichnet sich vor allem durch ihre schnelle Anwendbarkeit auf sehr große Datensätze aus und erleichtert damit Laborabläufe erheblich.
