nnU-Net verarbeitet eine Vielzahl von Datensätzen und Bildeigenschaften. Alle...
nnU-Net verarbeitet eine Vielzahl von Datensätzen und Bildeigenschaften. Alle Beispiele stammen aus den Testsätzen verschiedener internationaler Segmentierungs-Wettbewerbe. Die Zielstrukturen für jeden Datensatz wurden in 2D auf die Rohdaten projiziert (links) und außerdem zusammen mit einem Volumen-Rendering der Rohdaten in 3D dargestellt (rechts). a: Herz (grün), Aorta (rot), Luftröhre (blau) und Speiseröhre (gelb) in CT-Bildern, b: synaptische Spalten (grün) in elektronenmikroskopischen Aufnahmen, c: Leber (gelb), Milz (orange), linke/rechte Niere (blau/grün) in T1-Inphase MRT, d: Bauchorgane in CT-Bildern, e: Leber (gelb) und Lebertumoren (grün) in CT-Bildern, f: Herz: rechter Ventrikel (gelb), linker Ventrikel (blau). Myokard des linken Ventrikels (grün) im MRT, g: Prostata (gelb) im MRT, h: Knoten in der Lunge (gelb) in CT-Bildern, i: Nieren (gelb) und Nierentumore (grün) in CT-Bildern, j: Gehirn: Ödem (gelb), Tumor (violett), Nekrose (grün) im MRT, k: linke Herzkammer (gelb) im MRI, l: Lebergefäße (gelb) und Lebertumoren (grün) im CT, m: Lungenkrebszellen (violett) in der Fluoreszenzmikroskopie n: Zellkerne in der Fluoreszenzmikroskopie

© Isensee et al. / Nature Methods

Selbstlernende Algorithmen

Forscher entwickeln "Generalschlüssel"-KI für medizinische Bilddaten

Die KI-basierte Auswertung medizinischer Bilddaten erfordert üblicherweise für jede Fragestellung einen speziell entwickelten Algorithmus. Wissenschaftler vom Deutschen Krebsforschungszentrum (DKFZ) präsentieren nun ein neues Verfahren, um selbstlernende Algorithmen für eine Vielzahl verschiedener Bilddatensätze zu konfigurieren – ohne dass dafür Expertenwissen oder außergewöhnliche Rechenleistung erforderlich wäre.

Die Forscher veröffenlichten ihre Erkenntnisse jetzt im Journal Nature Methods.

Bei der Auswertung medizinischer Bilddaten verspricht die künstliche Intelligenz (KI) Unterstützung und Entlastung für die Ärzte – insbesondere auch in der Krebsmedizin. Doch ob es darum geht, die Ausdehnung eines Hirntumors für die Therapieplanung zu vermessen oder die Rückbildung von Lungenmetastasen im Verlaufe einer Strahlentherapie zu dokumentieren: Zunächst müssen die Rechner die dreidimensionalen Bilddatensätze der CTs oder MRTs zu interpretieren lernen. Sie müssen unterscheiden können, welcher Bildpunkt zum Tumor gehört und welcher nicht. Diese Unterscheidung bezeichnen KI-Experten als semantische Segmentierung.

Für jede einzelne Aufgabenstellung – etwa ein Nierenkarzinom in CT-Bildern oder einen Brustkrebs im MRT zu erkennen – müssen Wissenschaftler spezielle Algorithmen entwickeln, die diese Unterscheidung vornehmen und Vorhersagen treffen können. Als Trainingsmaterial für das maschinelle Lernen dienen dabei Bilddatensätze, in denen Ärzte bereits per Hand markiert haben, was Tumor ist, was gesundes Gewebe und was andere wichtige anatomische Strukturen sind.

Die Entwicklung solcher Segmentierungs-Algorithmen erfordert Erfahrung und Expertenwissen. „Das ist nicht trivial und geht normalerweise mit zeitaufwändigem ‚Versuch und Irrtum' einher", sagt Medizininformatiker Fabian Isensee, einer der Erstautoren der aktuellen Publikation. Zusammen mit seinen Kollegen in der Abteilung von Klaus Maier-Hein am DKFZ hat er nun eine Methode entwickelt, die sich dynamisch und vollautomatisch beliebigen Bilddatensätzen anpasst und so auch Personen mit geringeren Vorkenntnissen ermöglicht, selbstlernende Algorithmen für bestimmte Aufgabenstellungen zu konfigurieren.

nnU-Net ist sofort einsatzbereit, kann auf Bilddatensätzen trainiert werden und spezielle Aufgaben erfüllen – ohne dass dafür besondere computerwissenschaftliche Spezialkenntnisse oder eine außergewöhnliche Rechner-Ausstattung erforderlich wäre

Klaus Maier-Hein

Das nnU-Net genannte Verfahren kann mit einer großen Bandbreite an Bilddaten umgehen: Neben den klassischen bildgebenden Verfahren wie CT und MRT lassen sich damit auch Bilder aus der Elektronen- und Fluoreszenzmikroskopie bearbeiten. In internationalen Fachwettbewerben erzielten die DKFZ-Forscher mit nnU-Net bei 33 von 53 verschiedenen Segmentierungsaufgaben den besten Platz – obwohl sie dabei gegen hochspezifische und von Experten für individuelle Spezialfragen entwickelte Algorithmen antraten.

Das Team um Klaus Maier-Hein stellt nnU-Net auf der Plattform GitHub als Open-Source-Tool kostenfrei zum Download zur Verfügung. „nnU-Net ist sofort einsatzbereit, kann auf Bilddatensätzen trainiert werden und spezielle Aufgaben erfüllen – ohne dass dafür besondere computerwissenschaftliche Spezialkenntnisse oder eine außergewöhnliche Rechner-Ausstattung erforderlich wäre", erklärt Klaus Maier-Hein.

Bislang wird die KI-unterstützte Auswertung medizinscher Bilddaten hauptsächlich im Forschungskontext genutzt und hat noch keinen breiten Einzug in die klinische Routineversorgung von Krebspatienten gehalten. Doch Medizininformatiker und Ärzte sehen großes Anwendungspotenzial, beispielsweise wenn es um hochrepetitive Aufgaben geht, wie sie häufig im Rahmen großer klinischer Studien auftreten. „nnU-Net kann dabei helfen, dieses Potenzial zu heben", so Studienleiter Maier-Hein.


Quelle: Deutsches Krebsforschungszentrum (DKFZ) 

08.12.2020

Mehr aktuelle Beiträge lesen

Verwandte Artikel

Photo

Künstliche Intelligenz

KI-Anwendungen in der Medizin sicherer machen

Die Hochschule Landshut startet Forschungsprojekt mit dem Münchner KI-Unternehmen deepc, um die Sicherheitsstandards bei der Anwendung von Künstlicher Intelligenz in der medizinischen Bildgebung zu…

Photo

Auswertung von Röntgenbildern

Eine klinische KI, die die Privatsphäre wahrt

Künstliche Intelligenz (KI) kann medizinisches Personal in der Diagnostik unterstützen. Sie zu trainieren erfordert allerdings den Zugriff auf ein schützenswertes Gut: medizinische Daten. Ein…

Photo

Deep Learning blickt unter die Haut

Selbstlernende Algorithmen analysieren medizinische Bilddaten

Bildgebende Verfahren ermöglichen einen detaillieren Blick ins Innere eines Organismus. Doch die Interpretation der Daten ist zeitaufwändig und erfordert viel Erfahrung. Neue Möglichkeiten…

Verwandte Produkte

Canon – Advanced intelligent Clear-IQ Engine for MR

Artificial Intelligence

Canon – Advanced intelligent Clear-IQ Engine for MR

Canon Medical Systems Europe B.V.
Canon - HIT Automation Platform

Artificial Intelligence

Canon - HIT Automation Platform

Canon Medical Systems Europe B.V.
Canon - Vantage Elan NX Edition

1.5 Tesla

Canon - Vantage Elan NX Edition

Canon Medical Systems Europe B.V.
Fujifilm · REiLI

Artificial Intelligence

Fujifilm · REiLI

FUJIFILM EUROPE GmbH
Agfa HealthCare – DR 10s detector

DR Retrofit

Agfa HealthCare – DR 10s detector

Agfa HealthCare