Region of Interest

Das Konzept der ROI stammt ursprünglich aus der digitalen Bildverarbeitung und hat sich als zentrales methodisches Prinzip in der medizinischen Bildgebung, Statistik und Signalverarbeitung etabliert. Da diagnostisch oder wissenschaftlich relevante Informationen häufig nur in klar abgegrenzten Teilbereichen vorliegen, ermöglicht die ROI-basierte Analyse eine effizientere, reproduzierbare und methodisch kontrollierte Auswertung komplexer Bild- oder Messdaten.

Je nach Fragestellung und technischer Umsetzung werden unterschiedliche ROI-Formen unterschieden:

• Geometrische ROI: Standardisierte Formen wie Kreis, Ellipse oder Rechteck
• Freihand-ROI: Manuell entlang anatomischer oder pathologischer Strukturen definierte Bereiche
• Volumen-ROI (VOI): Dreidimensionale ROIs über mehrere Schichten oder Voxel hinweg
• Funktionelle ROI: Areale, die anhand funktioneller Kriterien definiert werden, z.B. statistisch signifikante Aktivierungen in der fMRT

In der Medizin wird die ROI in zahlreichen Disziplinen eingesetzt, insbesondere:

• Radiologie: Quantitative Bestimmung von Dichtewerten (z.B. Hounsfield-Einheiten in der CT), Signalintensitäten oder Kontrastmittelanreicherungen.
• Nuklearmedizin: Messung von Aktivitätskonzentrationen und Ableitung von Zeit-Aktivitäts-Kurven in PET- oder SPECT-Untersuchungen.
• Neuroradiologie und funktionelle Bildgebung: Analyse spezifischer Hirnareale in der funktionellen MRT, Perfusions- oder Diffusionsbildgebung.
• Digitale Pathologie und Histologie: Quantitative Erfassung zellulärer, morphologischer oder molekularer Merkmale in definierten Geweberegionen.

Darüber hinaus findet das ROI-Konzept Anwendung in der klinischen Forschung, z.B. zur Extraktion von Bildparametern für prädiktive Modelle oder Verlaufsanalysen.

Die Definition einer ROI kann manuell, halbautomatisch oder vollautomatisch erfolgen. Methodisch relevant sind insbesondere Lage, Größe und Form der ROI sowie deren Standardisierung zwischen Untersuchern und Messzeitpunkten. Unzureichend definierte ROIs können die Vergleichbarkeit und Aussagekraft quantitativer Messungen erheblich beeinträchtigen. Zur Reduktion von Inter- und Intraobserver-Variabilität werden zunehmend automatisierte Segmentierungs- und Standardisierungsverfahren eingesetzt.

ROI-basierte Verfahren ermöglichen eine gezielte Reduktion der Datenkomplexität und bilden die Grundlage vieler quantitativer Auswertungen. Aus ROIs lassen sich Kennwerte wie Mittelwerte, Varianzen, Histogramme oder zeitliche Verläufe extrahieren, die anschließend in statistischen Modellen, z.B. Regressions- oder Klassifikationsanalysen, weiterverarbeitet werden.

Eine unsachgemäße oder selektive ROI-Definition kann zu systematischen Verzerrungen führen. Insbesondere bei explorativen Analysen besteht die Gefahr eines sogenannten ROI-Bias. Eine transparente, vorab festgelegte Definition der ROI-Kriterien ist daher essenziell für die Validität der Ergebnisse.

• Gillies et al., Radiomics: Images Are More than Pictures, They Are Data, Radiology, 2016
• Zwanenburg et al., The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping, Radiology, 2020