Automatische Tumorsegmentierung mit spärlich annotierter Lernbasis

Die Erstellung von Trainingsdaten fur lernbasierte Segmentierungsverfahren ist haufig sehr zeitaufwendig und fehleranfallig. Gleichzeitig muss die Lernbasis an die konkrete Bildgebung einer Klinik angepasst werden, was eine weite Verbreitung solcher automatischer Segmentierungsverfahren in der klinischen Routine verhindert. Wir schlagen daher ein Verfahren vor, welches durch die Verwendung eines Domain Adaption Ansatzes auf sparlichen, leicht anzufertigenden Segmentierungen trainiert werden kann. Wir validieren das vorgestellte System auf einem Kollektiv von 19 Patienten mit malignen Gliomen und zeigen, dass unser Ansatz die benotigte Annotierungszeit deutlich reduziert, wahrend die Klassifikationsergebnisse gegenuber klassisch trainierten Segmentierungsans atzen kaum beeintrachtigt werden. Der vorgestellte Ansatz erh oht die Attraktivitat automatischer Segmentierungsverfahren fur den klinischen Einsatz. Weiterhin lasst er die Erstellung umfangreicher Datenbanken mit grosen Fallzahlen fur unterschiedlichste Szenarien in greifbare Nahe rucken.