Ordnung in das Chaos: Mustererkennung kann bei der automatischen Erkennung von Organen wertvolle Dienste leisten.

Quelle: Shutterstock/Igor Kyrlytsya

KI & Ultraschall

Bessere und schnellere Ergebnisse durch Deep Learning

Künstliche Intelligenz und lernfähige Algorithmen – diese Begriffe werden in der Medizin zunehmend prominenter. Das zeigt sich auch in den Vortragsprogrammen internationaler Fachkongresse.

Deep Learning ist für uns als ergänzendes Werkzeug nicht mehr wegzudenken

Hans Meine

Dort rückt der mögliche Einsatz der neuen Technologie immer mehr in den Fokus – so auch auf der „Medical Imaging“-Konferenz der International Society for Optics and Photonics (SPIE), die vom 16.-21. Februar im kalifornischen San Diego stattfindet. Das Fraunhofer-Institut für Digitale Medizin MEVIS ist auf der Tagung mit mehreren Beiträgen zum Thema Deep Learning vertreten. Deep Learning-Algorithmen sind unter anderem in der Lage, selbstständig Muster in Bilddaten zu erkennen, zum Beispiel aus einem CT, die ein bestimmtes Organ zeigen, etwa die Leber. 

Hilfreich ist das unter anderem für die sogenannte Segmentierung. So heißt jener Arbeitsschritt, der medizinischen Bilddaten die genauen Umrisse der Organe erfasst. Bei der bisherigen Segmentierungssoftware fahndet das Programm nach vorgegebenen, fest definierten Bildmerkmalen, etwa nach Unterschieden in Grauwerten. Ein lernfähiger Algorithmus dagegen sucht sich selbst die Merkmale, die zu einer erfolgreichen Mustererkennung führen. „Damit lassen sich deutlich schneller bessere Ergebnisse erreichen“, sagt MEVIS-Forscher Hans Meine. „Deshalb ist Deep Learning für uns als ergänzendes Werkzeug nicht mehr wegzudenken.“

MRI image of a human head
Wir der Schädel des Patienten geöffnet, stimmt die Realität nicht mehr mit dem MRT-Bild überein. Deep Learning-Algorithmen sollen die Diskrepanz überwinden.

Auf der Konferenz in San Diego stellt MEVIS-Forscherin Jennifer Nitsch einen Algorithmus vor, der Ultraschallbilder des Gehirns segmentieren kann. Mögliches Einsatzfeld ist ein System, das Neurochirurgen bei ihren Eingriffen unterstützen soll. Um möglichst zielsicher opieren zu können, orientieren sich die Ärzte an einer MRT-Aufnahme, die vor der OP vom Kopf des Patienten gemacht wurde. Das Problem: Nach Öffnen des Schädels ändert sich die Form des Gehirns, weil Flüssigkeit ausläuft. Um das MRT-Bild der neuen Situation anzupassen, soll künftig ein Trick helfen: Während des Eingriffs werden Ultraschallbilder aufgenommen, auf deren Basis eine Software die MRT-Bilder so umrechnet, dass sie die neue, veränderte Situation zeigen. Damit hätte der Chirurg stets eine aktualisierte „Landkarte“ des Patientengehirns vor Augen. Eine der Voraussetzungen: Um die MRT- und die Ultraschallbilder zuverlässig aufeinander abzubilden, muss sie eine Software automatisch segmentieren. „Per Deep Learning konnten wir diese Segmentierung der Ultraschallaufnahmen deutlich verbessern“, sagt Hans Meine. „Hier bringen die selbstlernenden Algorithmen bereits einen großen Nutzen.“

Bildregistrierung von 8 auf 0,2 Sekunden beschleunigt

Photo
Das MEVIS Experten-Team stärkt das Profil von Deep Learning in der klinischen Routine auf der SPIE mit Vorträgen, neuen Software-Komponenten, Live-Vorführungen und zwei Kursen

© Fraunhofer MEVIS

Ein weiteres Einsatzfeld ist die sogenannte Bildregistrierung. Dabei bringt der Rechner Aufnahmen, die zu unterschiedlichen Zeiten gemacht wurden, so zur Deckung, dass man sie optimal vergleichen kann. Auf der SPIE-Konferenz stellt MEVIS-Forscherin Alessa Hering einen selbstlernenden Algorithmus vor, der die Folgeuntersuchungen bei Lungentumoren erleichtern soll: Ist ein Knoten in der Lunge eines Patienten nach einigen Wochen gewachsen, oder hat er sich wie erhofft durch eine Therapie zurückgebildet? Hier liegt die Herausforderung darin, die aktuelle Aufnahme mit dem früher gemachten Bild so zur Deckung zu bringen, dass sie auch wirklich dieselben Strukturen zeigt. Diese automatische Bildregistrierung haben die Fraunhofer-Fachleute nun deutlich beschleunigt: „Wir konnten die sowieso schon leistungsfähige Registrierung bei akzeptabler Qualität um das 40-Fache beschleunigen“, berichtet Meine. „Zuvor hatte der Prozess zum Beispiel acht Sekunden gedauert, mit Deep Learning sind es nur noch 0,2 Sekunden.“

Einige ihrer neuen Software-Komponenten demonstrieren die MEVIS-Fachleute auf der Konferenz als Live-Vorführungen. Außerdem bieten sie für Fachleute, die sich in das noch junge Thema einarbeiten wollen, zwei Kurse an. „Wir sind in einer Phase, in der Deep Learning allmählich in die medizinische Anwendung kommt“, betont Hans Meine. „Deshalb arbeiten wir bereits mit klinischen Partnern und auch mit Firmen zusammen.“


Quelle: Fraunhofer MEVIS

20.02.2019

Mehr aktuelle Beiträge lesen

Verwandte Artikel

Photo

Big Data im Blick

Ersetzt der Computer bald den Augenarzt?

Künstliche Intelligenz, insbesondere Deep Learning, könnte in naher Zukunft die Augenheilkunde revolutionieren. Auf dem diesjährigen Kongresses der Deutschen Ophthalmologischen Gesellschaft (DOG)…

Photo

Künstliche Intelligenz

Mensch-Maschine-Kollaborationen sind ein Gewinn

Die Entwicklung Künstlicher Intelligenzen (KI) hat in letzter Zeit einen enormen Hype ausgelöst. In die anfänglich ehrfürchtigen Stimmen mischen sich nun zunehmend auch sorgenvolle, die vor den…

Photo

Transformation

Es geht voran: Das US-Gesundheitssystem wird digital

Die digitale Revolution des US-Gesundheitssektors schreitet voran. Diese Entwicklung wird von vielen Faktoren beflügelt: staatliche Regulierungen und finanzielle Anreize, technologische…

Verwandte Produkte

Canon – Aplio 300

Ultrasound

Canon – Aplio 300

Canon Medical Systems Europe B.V.
Canon – Aplio 400

Ultrasound

Canon – Aplio 400

Canon Medical Systems Europe B.V.
Canon – Aplio 500

Ultrasound

Canon – Aplio 500

Canon Medical Systems Europe B.V.
Canon – Aplio a450

Ultrasound

Canon – Aplio a450

Canon Medical Systems Europe B.V.
Canon – Aplio a550

Ultrasound

Canon – Aplio a550

Canon Medical Systems Europe B.V.
Canon – Aplio i600

Ultrasound

Canon – Aplio i600

Canon Medical Systems Europe B.V.