Das World Health Assembly der WHO hat 2017 Hörschäden als weltweites anerkanntes Gesundheitsrisiko eingestuft. Besonders Kinder mit Höreinschränkungen sind zusätzlichen Risiken im Spracherwerb, der Bildung, der sozial-emotionalen Entwicklung und der allgemeinen Gesundheit ausgesetzt.
Bei diesen betroffenen Kindern greifen aktuelle Behandlungspläne zu kurz, um umfänglich auf Herausforderungen in Bildung und sozialer Teilhabe vorzubereiten. Dies auch, da sich das Versorgungsbedürfnis abhängig von der tatsächlichen Hörminderung unterscheidet.

Comm4CHILD ist ein Zusammenschluss mit dem Ziel, einen innovativen Ansatz zur frühen Optimierung der Kommunikationsfähigkeit und dem Erhalt des sozialen Anschlusses mit Hilfe von Hörimplantaten zu fördern. Das Vorhaben untersucht dabei eine mögliche Gemeinsamkeit der individuellen Gehirnplastizität, der kognitiven Ressourcen sowie der linguistischer Fähigkeiten, um geeignete Maßnahmen für die Unterstützung der Kinder abzuleiten. Hierfür werden bis zu 15 Nachwuchswissenschaftlern gefördert und fachübergreifend ausgebildet.

Die jeweiligen Forschungsprojekte der Nachwuchswissenschaftler beschäftigen sich mit den Themenschwerpunkten WP1 Biologie, WP2 Kognition und WP3 Sprache.

Im Schwerpunkt Biologie werden z.B. die anatomische Unterschiede der Cochlea sowie die zerebrale funktionelle Reorganisation betrachtet, im Schwerpunkt Kognition das Arbeitsgedächtnis und die multimodale Integration in der Kommunikation. Mit dem Themenschwerpunkt Sprache werden interindividuelle Unterschiede im Sprachverstehen und der Rechtschreibfähigkeit untersucht.
Das übergeordnete Ziel der Forschung ist es Faktoren für einen mögliche Gemeinsamkeit zu identifizieren, das Verständnis um die Vorhersage linguistischer Fähigkeiten zu verbessern und somit bessere Behandlungsmöglichkeiten zu erschließen.

Comm4CHILD ist ein europäisches Projekt im Rahmen der Marie Sklodowska-Curie Förderung (n°860755), welche Gegenstand des europäischen Horizon 2020 Forschungs- und Innovationsprogramms ist. Es umfasst folgende Projektpartner:

• HörSys GmbH, Hannover
• Medizinische Hochschule Hannover/Deutsches HörZentrum Hannover
• Universität Oslo
• Universität Leeds
• ULB: Université Libre de Bruxelles
• KU Leuven: Katholieke Universiteit Leuven
• Oticon GmbH
• Centre Comprendre et Parler
• Centre National de la Recherche Scientifique

Auf dieser Seite erhalten Sie Informationen rund um

• Die Aufgabenstellung
• Den Lösungsansatz
• Veröffentlichungen

Die Aufgabenstellung

Um die patientenindividuellen Aspekte, die die postoperative Leistung von CI-Patienten beeinflussen, besser zu verstehen, werden sowohl die technologischen Faktoren (Dimensionierung und Platzierung der Elektrode, Stimulationsparamter) wie auch die biologischen Faktoren (individuelle Cochleargröße und Form) untersucht.
Da unterschiedlich auflösende Bildgebung (DVT, CT) für die Begutachtung der Cochlea verwendet werden und die manuelle Segmentierungen der anatomischen Strukturen komplex ist, wird als erstes angestrebt, einen automatischen Segmentierungsalgorithmus unter Verwendung von 3D Klassifikation auf Basis von Deep Learning herzuleiten. Hierdurch können relevante Regionen und Strukturen in der Bildgebung lokalisiert und die Strukturen automatisch dreidimensional segmentiert und somit weiter ausgewertet werden.
In postoperativer Bildgebung soll zusätzlich die Lage der Cochlea-Implantat-Elektrode bestimmt werden.

Der Lösungsansatz

Zur Untersuchung der der anatomischen Strukturen hat die HörSys GmbH in einem ersten Schritt eine Lösung entwickelt um auf Basis weniger Bildgebungsdaten ausreichend große Beispieldaten für Machine Learning Algorithmen zu erstellen. Durch einen Datengenerator wurde die Menge der Trainingsdaten anhand systematisch abgeänderte Datensatzduplikate erweitert.
Das anschließend trainierte Convolutional Neural Network (CNN) ermöglicht es relevante Strukturen in Volumendaten des menschlichen Schläfenbeins völlig automatisch zu lokalisieren. Für eine hohe Lokalisierungsgenauigkeit von 1 mm reicht bereits die Verwendung von fünf Trainingsdatensätzen.

Die folgende Abbildung zeigt die Pipeline die aufgebaut wurde, um in einem Volumendatensatz innerhalb einer annehmbaren Laufzeit von weniger als einer Minute die Cochlea mit einer Präzision von 3 Voxel automatisch zu lokalisieren.

Veröffentlichungen

• Wang.Y, Lenarz, T. Kral A. &John S. (2023): Automatic Landmark Localization in 3D Medical CT Images: Few-Shot Learning through Optimized Data Pre-Processing and Network Design, https://doi.org/10.1145/3632047.3632048