Abteilung Medizinische Informatik Direktor (komm.): Prof. Dr. Herbert K. Matthies Forschungsprofil der Abteilung Das Forschungsprofil der Abteilung wird geprägt durch interdisziplinäre Themen der Medizinischen Informatik mit den folgenden Schwerpunkten:  eLearning,  Mobile Computing in der Medizin,  Bildverarbeitung und Visualisierung medizinischer Daten. In der ärztlichen Aus-, Weiter- und Fortbildung wird die Sammlung und multimediale Aufbereitung von medizinischen Fällen zunehmend wichtiger. Ein Schwerpunkt der Entwicklungsarbeit des vom Land Niedersachsen geförderten Forschungsprojektes ELAN (eLearning Academic Network Niedersachsen) war auch die Realisierung webbasierter eLearning-Module (Lerneinheiten) für die vorklinische und klinische Ausbildung von Studierenden der Humanmedizin sowie der Zahnheilkunde. Multimediale Technologien erlauben dabei die Virtualisierung von Krankheitsbildern und klinischer Befunde in hoher Qualität sowie die didaktische Aufbereitung von Lerninhalten unter dem Einsatz von Hypertext, Videoclips, interaktiven Animationen oder Audiokommentaren. Dadurch wird der Lehrstoff für die Studierenden anschaulicher, z.B. bei der Darstellung von komplexen Sachverhalten wie Bewegungsabläufen oder dreidimensionalen Strukturen (Organe, Moleküle etc.). Operative Techniken lassen sich mit digitalen Videoclips sehr gut darstellen und vermitteln. Damit ist es möglich, die Erfahrungen der Experten noch präziser, praxisnäher und realistischer an die Lernenden weiterzugeben. Die Erforschung des Einsatzes mobiler Informations- und Kommunikationstechnologien sowohl zur Nutzung von Informationssystemen des Gesundheitswesens als auch für die ärztliche Aus-, Weiter- und Fortbildung soll zu einer effizienteren und qualitativ hochwertigen medizinischen Versorgung beitragen. Telekommunikation als Baustein für eine integrierte Versorgung erfordert eine leistungsfähige Vernetzung der Leistungserbringer, d.h. insbesondere der Krankenhäuser, Praxen, Apotheken und Krankenkassen. Dazu gehören auch Untersuchung und Entwicklung von Anwendungen für künftige Elemente der elektronischen Gesundheitskarte, z.B. Notfallinformation, Arzneimitteldokumentation, elektronischer Arztbrief. Weltweit werden in allen Bereichen des Lebens und vor allen Dingen in der Forschung weitaus mehr Daten erzeugt, als von Menschen gesichtet werden können. In der Medizin sind insbesondere die bildgebenden Disziplinen mit einer Datenexplosion konfrontiert, die vor allem auf die Verbesserung der Gerätetechnik der bildgebenden Modalitäten zurückzuführen ist. Aus ethischen Gesichtspunkten ist es erforderlich, dass die immense zur Verfügung stehende Information effizient, korrekt und vollständig zum Wohle des Patienten ausgewertet wird. Die Medizinische Informatik und insbesondere die medizinische Bildverarbeitung bietet computerunterstützte Techniken, die helfen, den Umgang mit den Datenmengen im klinischen Alltag effizienter zu gestalten. Dies betrifft zum Beispiel die Visualisierung, Diagnostik und über die Radiologie hinaus die Planung und Durchführung von Operationen. Auf diese Weise lassen sich die rasant wachsenden Datenmengen bei nicht gleichermaßen steigenden Personalmitteln bewältigen und Routinetätigkeiten automatisieren.

Forschungsprojekte 1. Visualisierung medizinischer Daten Bei der Mehrschicht-Spiral-Computertomographie (MSCT) werden mittlerweile Schichtzahlen von 1000 und mehr erreicht. Dies macht die traditionelle Betrachtung zweidimensionaler Schnittbilder nahezu unmöglich. Erst dreidimensionale Darstellungen verbessern diese Situation grundlegend. Ein Forschungsgebiet des Instituts für Medizinische Informatik zusammen mit der Abteilung Diagnostische Radiologie ist in diesem Zusammenhang das Direkte Volume Rendering (DVR). Hier werden der Röntgendichte jedes Volumenelementes mit einer sogenannten Transferfunktion optische Eigenschaften wie Farbe und Transparenz zugeordnet. Die Lichtausbreitung in diesem Volumen wird dann direkt simuliert und dargestellt, ohne eine geometrische Zwischenrepräsentationen wie z.B. ein Oberflächenmodell zu erzeugen. Dadurch wird die oft problematische Frage nach Genauigkeit und Repräsentativität der gewählten Oberfläche elegant vermieden. Die Definition und Veränderung vonTransferfunktionen sind anspruchsvolle Aufgaben, weil kleine Änderungen oft einen großen, schwer vorauszusehenden Einfluss auf das berechnete Bild haben. Transferfunktionen und zweidimensionale Histogramme Es ist eine Applikation zur Definition von Transferfunktionen entstanden, die auf intuitiv verständliche Weise einen Zusammenhang zwischen einer Transferfunktion und ihrem Einfluss auf das Volume-Rendering-Bild herstellt. Zentrales Element ist ein zweidimensionales Histogramm des Datensatzes und der zugehörigen Gradientengröße. Die Gradientengröße ist ein Maß dafür, wie stark die Röntgendichte in der Umgebung eines Volumenpunktes variiert. Das zweidimensionale Histogramm zeigt Bogenstrukturen, die für jede Röntgendichte Auskunft über die Menge des vorhandenen Gewebes und der relativen Lage zu anderen Gewebetypen geben. Ein interaktiver Katalog mit in Echtzeit erzeugten Miniaturrenderings erlaubt die schnelle Selektion alternativer Transferfunktionen. Umschlossene Strukturen lassen sich mit flexiblen Schnittebenen sichtbar machen. Zusätzlich wird die vertraute zweidimensionale Schnittbildansicht farblich kodiert angezeigt. Das stellt in einer vertrauten Ansicht den Zusammenhang zwischen dem zweidimensionalen Histogramm und den entsprechenden Regionen des CT-Datensatzes her. In der folgenden Abbildung 1 sieht man links die typischen Bogenstrukturen, die in einem zweidimensionalen Histogramm vom Datensatz (oben mittig) und der abgeleiteten Gradienteninformation (oben rechts) sichtbar sind. Die markierten Bereiche zeigen, welche Regionen des Histogramms und des Datensatzes korrespondieren. Eine farbige Abbildung ist im Internet auf der Abteilungs-Website der Medizinischen Informatik unter „Forschungsbericht 2004“ (http://www.mh-hannover.de/institute/medinf/) zu finden.

Abbildung 1: Zweidimensionale Histogramme Adaption an verschiedene Datensätze Aktuelle Workstations bieten statt einer ausgefeilten Applikation zur Definition von Transferfunktionen oft voreingestellte und durch ein typisches Beispielbild repräsentierte Visualisierungsprotokolle an, mit denen sehr schnell ein Volume Rendering erzeugt werden kann. In vielen Fällen wird aber keine mit dem Beispielbild vergleichbare Visualisierungsqualität erreicht. Das ist zum Beispiel dann der Fall, wenn Kontrastmittelgabe erfolgt und Patienten mit verschiedenen Herzzeitvolumina untersucht werden. Dann unterscheidet sich die Röntgendichte des Gemisches aus Blut und Kontrastmittel zum Teil wesentlich voneinander und es kann prinzipiell keine Transferfunktion geben, die alle Datensätze gleich gut darstellt. Ein zweiter, oft variierender Parameter ist der Durchmesser der Patienten, der Unterschiede in der Blicktiefe verursacht. Es hat sich gezeigt, dass für die automatische Kompensation solcher Unterschiede ebenfalls ein Histogramm des Datensatzes eingesetzt werden kann: Die Unterschiede in der Röntgendichte bewirken Verschiebungen von charakteristischen Strukturen im Histogramm. Diese Verschiebungen lassen sich mit einer elastischen Transformation ausdrücken und durch Registrierung der Histogramme auch automatisch bestimmen. Wird diese Transformation auf die Transferfunktion angewendet, werden die Unterschiede weitgehend ausgeglichen und der visuelle Eindruck der Volume Renderings ist für alle Datensätze gleich. Zur Anpassung der Blicktiefe lässt sich das Histogramm der Datensätze nicht verwenden. Hier erfolgt eine Anpassung über die Veränderung der Transparenz der Transferfunktion.

Abbildung 2: Anpassung der Transferfunktion an das Körpervolumen Eine Transferfunktion liefert für Patienten mit unterschiedlichem Körpervolumen oft sehr verschiedene Bilder. Reicht die Transparenz im linken Bild aus, um die relevanten Strukturen zu beurteilen, ist dies beim Datensatz in der Mitte nicht der Fall. Erst wenn die Transparenz so abgesenkt wird, dass die mittlere Blicktiefe (dargestellt durch die Graphen unterhalb der Renderings) korrespondiert, erhält man auch vergleichbare Bilder. 2. Computerunterstützte Bildverarbeitungsverfahren Auch über die Visualisierung hinaus lassen sich zeitintensive Routinetätigkeiten mit Computerunterstützung automatisieren, um die Arbeit mit den Bilddaten effizienter zu gestalten. Segmentation Segmentation ist das explizite Trennen eines Objektes von seinem Hintergrund. Das ist immer dann von entscheidender Bedeutung, wenn quantitative Aussagen zu einer anatomischen Struktur oder Situation gemacht werden sollen. Dafür gibt es zahlreiche Anwendungen, beispielsweise bei der Tumorvolumetrie, der Planung von Operationen oder dem Entwurf von Prothesen.

Neben den in der Radiologie üblicherweise eingesetzten Modalitäten CT/MR werden hierzu auch ultraschallbasierte Segmentationsverfahren entwickelt. Der Einsatz von Ultraschall ist wegen der geringen Belastung für den Patienten und der geringen Untersuchungskosten sehr attraktiv, aber die Abbildungsqualität der anatomischen Strukturen stellt eine besondere Herausforderung an die Bildverarbeitung dar. Hierzu wurden erste Applikationen entwickelt. Klassifikation Im Anschluss an eine Segmentation ist es meist notwendig, die segmentierten Strukturen nach verschiedenen Kriterien zu klassifizieren, beispielsweise um Pathologien zu erkennen. Ist eine Struktur erkannt, wird auch Modellwissen zugänglich, das iterativ für die Verfeinerung der Segmentation verwendet werden kann. In einem langfristig angelegten Forschungsvorhaben wurde gemeinsam mit der Abteilung Diagnostische Radiologie ein Klassifikationsalgorithmus untersucht, der charakteristische Eigenschaften vieler anatomischer Formen extrahieren und miteinander vergleichen kann. In einem ersten Schritt wird dazu das Formhistogramm eines segmentierten Objektes erzeugt: Eine das Objekte umschreibende Kugel wird in Schalen und Sektoren zerlegt. Der Belegungsgrad jeder Zelle mit dem Objekt ist der charakteristische Wert für diese Zelle. Insgesamt fasst man die Belegungsgrade als Formhistogramm für das Objekt auf. Hat man einige Formhistgogramme erzeugt, kann man auf dieser Menge hochdimensionaler Vektoren ein bekanntes Abstandsmaß wie den euklidischen Abstand oder eine allgemeinere Minkowski-Metrik verwenden, um Objektähnlichkeit zu definieren. Eine Datenbank mit 89 segmentierten Wirbelkörpern wurde zur Evaluation des Verfahrens erzeugt. Für über 700 Variationen der Klassifikationsparameter wurde die Klassifikationsleistung mit einer Clusteranalyse quantifiziert. Diese Untersuchungen zeigen, dass die anatomischen Eigenschaften der komplexen Wirbelform zuverlässig mit Formhistogrammen erfasst werden können. Durch eine detaillierte Analyse der optimalen Parameter mit einem unabhängigen Clusteralgorithmus konnte die Validität der verwendeten Methoden sichergestellt werden.

Abbildung 3: Einige der verwendeten Wirbel Die Form der verwendeten Wirbel ist trotz der geringen Unterschiede zwischen den Wirbeln mit Formhistogrammen gut charakterisiert. Der verwendete Algorithmus erbringt eine bessere Leistung als die meisten untrainierten menschlichen „Klassifikatoren“.

Weitere Forschungsprojekte ELAN: eLearning Academic Network Niedersachsen Projektleiter: H.K. Matthies Drittmittelgeber: Niedersächsische Innovationsoffensive TT-Net II: Realisierung eines Teaching and Training Networks Projektleiter: H.K. Matthies Drittmittelgeber: BMBF Originalpublikationen Asselmeyer T, Fischer V, Matthies HK, Schwestka-Polly R. The Learning Unit "Orthodontic Set Up" as New-media Module in Teaching. Intern J of Computerized Dentistry. 2004; 7:239-51. Behrends M, Zajaczek JEW, Becker H. Gut gemischt - Neuroradiologen und Informatiker der MHH erproben mit Blended Learning neue Wege der ärztlichen Fortbildung. In: Niedersächsisches Ärzteblatt 2004; 3:13-4. Niederstadt CJ. DEGAM-Leitlinie Harninkontinenz - eine gekürzte Fassung der Langversion: Wie viel Diagnostik und welche Therapien sind sinnvoll? Z Allg Med 2004;12(80):1-6. Niederstadt CJ, Doering, TJ. Harninkontinenz. DEGAM-Leitlinie Nr. 5 mit Anwendermodulen. Reihe DEGAM Leitlinien, Hrsg. DEGAM 2004. Füsgen I, Niederstadt CJ. Das unterschätzte Tabu-Thema. Geriatrie-Journal 2004; 2:14-7. von Jan U, Sandkühler D, Kirsch L, Overhoff HM. Definition of a Humerus Coordinate System from semiautomatically segmented 3-D Ultrasound Volumes. Biomed Technik 2004; 49:874-75. Shin H, King B, Galanski M, Matthies HK. Use of 2D-Histograms for Volume Rendering of Multidetector CT Data: Development of a Graphical User Interface. In: http://www.academicradiology.org/article/ PIIS1076633204000595/abstract; Academic Radiology 2004; 11, Issue 5:544-50. Zajaczek JEW, Götz F, Haubitz B, Donnerstag F, Kupka T, Behrends M, Matthies HK, Becker H. Blended Learning: Concepts for Advanced Training in Neuroradiology Realised by Utilization of the New Media. Neuroradiology 2004; 46/8, Suppl. I:120. Buchbeiträge Behrends M, Zajaczek JEW, Kupka T, Krückeberg J, Becker H, Matthies HK. Blended Learning in der ärztlichen Fortbildung - Erste Erfahrungen und Evaluationsergebnisse. In: Engels G, Seehusen S (Hrsg.), DeLFI 2004, Proc. 2.e-Learning Fachtagung Informatik, Lecture Notes in Informatics, Vol. P-52, Bonn: Köllen Druck+Verlag; 2004. S. 359-60. Döbler K, Kabuss R, Gerardy-Schahn R, Matthies HK. Contenterstellung mittels ILIAS im Fach Zelluläre Chemie und Allgemeinmedizin. In Pöppl S (Hrsg.): Proc. 8. Workshop der

GMDS AG Computergestützte Lehr- und Lernsysteme in der Medizin. Aachen: Shaker; 2004. S. 149-54. von Jan U, Niederstadt C, Döbler K, Mahjob S, Marx C, Matthies HK. Web based modules for basic and advanced medical education. In Uskov V (Ed.): Proc. of the IASTED International Conference on Web-Based Education. Anaheim, Calgary, Zürich: ACTA Press; 2004. S. 579-82. King B, Shin H, Galanski M, Matthies HK. Automatische Anpassung von vordefinierten Bildergalerien an individuelle Datensätze beim direkten Volume Rendering von CT-Daten. In: Tolxdorff T, Braun J, Handels H, Horsch A, Meinzer H. (Hrsg.), Bildverarbeitung für die Medizin. Heidelberg, New York: Springer; 2004. S. 258-62. Kupka T, Zajaczek JEW, Behrends M, Walter GF, Matthies HK. Schoolbook - An Authoring Tool and Content Management System. In Uskov V (Ed.): Proc. of the IASTED International Conference on Web-Based Education. Anaheim, Calgary, Zürich: ACTA Press; 2004. S. 169-71. Matthies HK, Becker H, Brinker T, Goll S, Walter GF, Hrsg. TT-Net - eLearning-Module für ein Teaching and Training Network in Neurosurgery. Berlin, Chicago, London, ..., Tokio: Quintessenz Verlag; 2004. Sandkühler D, von Jan U, Kirsch L, Rühmann O, Overhoff HM. Acquisition of 3-D Ultrasound Image Volumes for Application in Shoulder Joint Inspection. In: Schweikard A, Hrsg. Proc. 3.Jahrestagung der Dt. Ges. für Computer- und Roboterassistierte Chirurgie e.V. CURAC. Leipzig: Zwonull Media, CD-ROM; 2004. C II-18, p. 1-5. Sandkühler D, von Jan U, Kirsch L, Rühmann O, Overhoff HM. Definition of a Local Humerus Coordinate System from Semiautomatically Segmented 3-D Ultrasound Volumes of the Shoulder Joint. In: Schweikard A, Hrsg. Proc. 3.Jahrestagung der Dt. Ges. für Computer- und Roboterassistierte Chirurgie e.V. CURAC. Leipzig: Zwonull Media, CD-ROM; 2004. C II-19, p. 1-5. Zajaczek JEW, Behrends M, Köster I, Brinker T, Rodt T, Walter GF, Becker H, Matthies HK. Web-Based Teaching and Training Network (TT-Net): An Interdisciplinary Approach. In: Uskov V, editor. Proc. of the IASTED International Conference on Web-Based Education. Anaheim, Calgary, Zürich: ACTA Press; 2004. S. 344-9. 2004 wurden 7 Abstracts publiziert. Promotionen Zhang R (Dr. med.): Virtual Education System for Neuropathological Images and Cases. Betreuer: Walter GF, Neuropathologie; Matthies HK, Medizinische Informatik Patente Kupka T, Behrends M, Zajaczek JEW, Matthies HK, editors. Schoolbook. Open source license unter GNU General Public License (GPL), http://www.medicalschoolbook.de/project/; 2004.

Weitere Tätigkeiten in der Forschung Prof. Dr. H. K. Matthies: Mitglied im wissenschaftlichen Beirat der Deutschen Gesellschaft für Computer- und Roboterassistierte Chirurgie e.V. (CURAC); Mitglied des BMBFGutachtergremiums Telematik/Telemedizin; Assoziiertes Mitglied im Forschungszentrum L3S (Learning Lab Lower Saxony); Sprecher des ELAN-Projekts der Univ. Hannover/TU Braunschweig/MHH; Mitglied des Strategischen Beraterkreises „Multimedia in Lehre, Forschung und wissenschaftlicher Weiterbildung“ (SBMM) beim Minister für Wissenschaft und Kultur des Landes Niedersachsen.