Drei übereinandergelegte Schnittbilder von Lungen-CT, mit kreisförmiger...
Dank eines Deep- Learning-Ansatzes lassen sich CT-Bilder in der Krebstherapie automatisch abgleichen – und selbst kleine Veränderungen von Lungentumoren noch schneller und präziser verorten.

© Fraunhofer MEVIS

News • Deep-Learning verbessert Tumorkontrolle

KI erkennt Veränderungen von Lungenkrebs im CT-Bild schnell und präzise

Um Lungenerkrankungen wie Bronchialkarzinome und Tumormetastasen frühzeitig zu erkennen und zu überwachen, werden weltweit immer mehr CT-Aufnahmen des Thorax angefertigt.

Auch in Deutschland zählen sie mittlerweile zu den häufigsten radiologischen Untersuchungen: Wurden 2009 noch etwa 800.000 CT-Bilder der Lunge angefertigt, waren es im Jahr 2020 bereits 1,3 Millionen. Zwar lassen sich dank der Aufnahmen selbst kleinste Therapieeffekte und Nebenwirkungen feststellen und die Therapien somit optimieren. Ihr Vergleich ist allerdings hochkomplex, zeitaufwendig und fehleranfällig, da Radiologen die bildbasierte Kontrolle häufig unter hohem Zeitdruck durchführen müssen. Die automatische Herstellung anatomischer Korrespondenzen zwischen den Aufnahmen – die sogenannte Registrierung – erleichtert dies.

Mithilfe von KI findet man im Vergleich zur herkömmlichen softwaregestützten Registrierung im Verlaufsbild 11% mehr Tumore automatisch wieder – und braucht dafür mit weniger als einer Sekunde lediglich ein Zehntel der Zeit

Jan Moltz

Um die Diagnostik zu optimieren und Ärzten den Klinikalltag zu erleichtern, setzt das Fraunhofer-Institut für Digitale Medizin MEVIS gemeinsam mit den Projektpartnern jung diagnostics GmbH und der Universitätsmedizin Mainz UM im vom Bundesministerium für Bildung und Forschung geförderten Projekt SPIRABENE daher nun auf Künstliche Intelligenz: "Wir haben eine Deep-Learning-basierte Software entwickelt, mit der sich Lungenläsionen innerhalb kürzester Zeit noch präziser verorten und vermessen sowie mögliche neue erkennen lassen", erklärt Dr. Jan Moltz, Key Research Engineer im Bereich Medical Image Analysis am Fraunhofer MEVIS. 

Für die Registrierung der Lunge werden vergangene mit aktuellen CT-Aufnahmen hinsichtlich anatomischer Korrespondenzen abgeglichen. Besonders herausfordernd ist dabei, dass zwei Bilder derselben Person ähnlich, aber eben nicht identisch sind – etwa aufgrund des unterschiedlichen Atemzustandes bei der Aufnahme und des möglichen Gewichtsverlusts durch die Therapie. 

Die bildbasierte Verlaufskontrolle wird zwar bereits durch automatisierte Registrierung unterstützt, der Einsatz von Deep Learning ermöglicht jedoch einen noch schnelleren und präziseren automatischen Abgleich der Aufnahmen. Dafür haben die Forschenden neuronale Netze optimiert. Jan Moltz erklärt: "Unsere Ergebnisse zeigen: Mithilfe von KI findet man im Vergleich zur herkömmlichen softwaregestützten Registrierung im Verlaufsbild 11% mehr Tumore automatisch wieder – und braucht dafür mit weniger als einer Sekunde lediglich ein Zehntel der Zeit." Damit werde auch weniger Rechenleistung verbraucht und Energie eingespart. 

Die vollautomatisierte Bildverarbeitungstechnologie haben die Forschenden gemeinsam mit Ärzten des UM konzipiert, damit sie direkt in bestehende Infrastrukturen der Klinik integriert und genutzt werden kann. Die Software wurde bereits im Klinikalltag getestet und evaluiert und könnte bald in der Praxis zum Einsatz kommen. Langfristig ist geplant, die KI-gestützte Verlaufskontrolle für den gesamten Körper zu ermöglichen. 

Jan Moltz freut sich nach dem Testlauf über die ersten Erfolge: "Mich motiviert es, an einer Software zu arbeiten, die tatsächlich in der Klinik zum Einsatz kommt und den Alltag für Ärzte zum Positiven verändert. Mit der Software können wir außerdem dazu beitragen, unwirksame Therapien rechtzeitig zu erkennen, unnötige Nebenwirkungen und Kosten zu vermeiden und die Heilungschancen für Patienten zu erhöhen." 


Quelle: Fraunhofer-Institut für Digitale Medizin MEVIS

06.06.2025

Verwandte Artikel

Photo

News • Tumorerkennung in PET- und CT-Scans

Neue Ideen für die KI-gestütze Analyse medizinischer Bilder

Deep Learning kann helfen, durch PET- und CT-Scans die Lage und Größe von Tumoren feststellen. Bei einem Wettbewerb zur medizinischen Bildanalyse stellten Forscher vielversprechende Ansätze vor.

Photo

News • Bildgebung, KI & Proteomik

'Deep Visual Proteomics' soll Krebsdiagnostik revolutionieren

Ein deutsch-dänisches Forscherteam hat eine Technologie entwickelt, die mit zellspezifischen, protein-basierten Informationen hilft, Krebserkrankungen besser zu analysieren.

Photo

News • Bildbasierte Krebsdiagnostik

KI erkennt genetische Veränderungen von Tumoren

Forscher der Uniklinik RWTH Aachen entwickelten in Zusammenarbeit mit dem Deutschen Krebsforschungszentrums (DKFZ), dem Deutschen Konsortium für Translationale Krebsforschung (DKTK) und dem…

Verwandte Produkte

Newsletter abonnieren