Visual Analytics in Public Health

Anders als in der klinischen Anwendung entstehen bei der Bildgebung in der Community Medicine große Mengen von Bilddaten von einer großen Anzahl von Freiwilligen, ohne dass bei der Bildgebung eine bestimmte Fragestellung im Vordergrund steht. Analysen werden in der Regel auf einem großen Probandenpool ausgeführt. Darüber hinaus können solche Datensätze über sehr lange Zeiten ausgewertet werden, so dass Analyseergebnisse mit alten Untersuchungen vergleichbar bleiben sollten. Dazu muss garantiert werden, dass die Kriterien, nach denen quantitative Ergebnisse im Rahmen einer solchen Analyse erzeugt werden auch nach längerer Zeit in gleicher Weise angewendet werden.
Ziel des Gesamtprojekts ist es, anstatt vieler einzelner Analysemethoden für unterschiedliche Fragestellungen die Methoden der Visual Analytics einzusetzen, um einen kleinen Methodenpool durch Expertenwissen an die unterschiedlichen Fragestellungen zu adaptieren. Projektziel der AG Bildverarbeitung/Bildverstehen in diesem Projekt ist die Untersuchung und Entwicklung von adaptierbaren, geometrischen Modellen zur Repräsentation von Form und Aussehen zur Objektdetektion in MR-Bildern. Geeignete Methoden für eine modellbasierte Segmentierung sollen gleichfalls untersucht werden. Die Modelle sollen intuitiv durch einen Bildverarbeitungslaien generiert und parametrisiert werden können. Wir gehen von der Hypothese aus, dass selbst bei schwierig zu segmentierenden Strukturen (geringer oder teilweise nicht vorhandener Kontrast zum Hintergrund, Störungen durch Rauschen und Artefakte), die Information in den Daten groß genug ist, um mit einem sehr approximativen, geometrischen Modell erfolgreich sei  zu können, das durch wenige Parameter an vielfältige Aufgaben anpassbar ist.
Basis für unsere Arbeit sind die in der Arbeitsgruppe entwickelten hierarchischen und nicht-hierarchischen deformierbaren Modelle. Die Deformationsfähigkeit erlaubt die Beschreibung von patientenunabhängigen Merkmalen einer Organklasse. Sie kann durch wenige Parameter variiert werden und beschreibt akzeptable Variationen von Form, Aussehen und (in der hierarchischen Variante) Konfiguration einer gesuchten Struktur. Ziel ist es, herauszufinden, was eine geeignete Repräsentation für inhärente Variation ist, welche Grenzen ein prototypisches Modell für die Beschreibung individueller Variation hat, wie Nutzerinteraktion sinnvoll zur Korrektur von Modellfehlern eingesetzt werden kann und wie Modelle durch Nutzerinteraktion optimiert werden können (also gewissermaßen lernen können), ohne dass durch die Interaktion die Objektivität der Analyse leidet.