Abteilung Medizinische Informatik

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. Notfallinforma-
tion, 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 BMBF-
Gutachtergremiums 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.