Automatisierte Bildanalyse

Mit Algorithmen Krankheiten erkennen

Viele Ärzte stehen unter Zeitdruck und wünschen sich mehr Zeit für den Patienten. Intelligente Computerprogramme könnten hier helfen: Studenten der Biomedizinischen Technik an der Hochschule Landshut forschten im Rahmen einer Projektarbeit daran, wie Algorithmen Radiologen bei der Untersuchung medizinischer Bilder unterstützen können.

Photo
Der Landshuter Student Jakob Dexl hat gemeinsam mit Mitstudierenden untersucht, wie Algorithmen medizinische Diagnosen schneller und besser machen können.
Quelle: Hochschule Landshut

Dank Röntgenstrahlen, Ultraschall oder Kernspin können Ärzte Krankheiten im Körper ohne Operation entdecken. Dafür müssen Radiologen zahlreiche Bilder analysieren – das kostet viel Zeit und Konzentration. In Zukunft könnten Computer ihnen dabei die Arbeit erleichtern. Die Landshuter Studierenden Jakob Dexl, Lisa-Marie Kirchner, Maximilian Reiser und Michael Uhl des Studiengangs Biomedizinische Technik untersuchten, inwieweit bestimmte Algorithmen Schädel-MRT-Aufnahmen vorsortieren können. Das würde bedeuten, dass Ärzte sich stärker auf auffällige Bilder mit schwierigen Befunden konzentrieren können. Die Praxis Radiologie Mühleninsel aus Landshut stellte dafür echte MRT-Daten von Patienten zur Verfügung – natürlich komplett anonymisiert. Unterstützung erhielt das Team außerdem vom Radiologen Prof. Dr. Andreas Lienemann sowie im technischen Bereich vom Gesundheits-IT-Unternehmen Cerner Deutschland GmbH.

Machine Learning: Das Programm lernt mit

Im Bereich Machine Learning wird schon seit Jahren geforscht. Auch in der Medizintechnik ist das Thema am Kommen

Maximilian Reiser

Für die automatische Klassifizierung von Bildern in „krank“ und „gesund“ kommen moderne Algorithmen des maschinellen Lernens zum Einsatz, die, ähnlich wie ein Radiologe, anhand vorhandener Daten die Einordnung trainieren. „Eine große Herausforderung bei diesem Projekt war, dass auch Bilder von gesunden Patienten stark voneinander abweichen, zum Beispiel aufgrund von gutartigen Erkrankungen oder des Alters. Die Heterogenität ist also riesig“, erklärt Dozentin Prof. Dr. Stefanie Remmele, die das Team bei ihren Projekt- und Abschlussarbeiten betreute. „Gleichzeitig unterscheidet der Radiologe zwischen krank und gesund manchmal nur anhand winziger Details. Das macht es für den Algorithmus sehr schwierig, die Bilder richtig einzuordnen.“ Die Studierenden definierten daher Bildausschnitte und Merkmale, anhand derer das Programm gesund und krank auseinanderhalten soll – beispielsweise Formen und Größen von Gehirnstrukturen. Dafür fütterten sie den Algorithmus mit Bildern und Daten.

Beim ersten Test im Rahmen der Studienprojekte schnitt dieser schon gut ab. Doch bis der computerunterstützte Befund Radiologen auch wirklich in ihrer Arbeit entlasten kann, „wird noch viel Forschung an dem Thema nötig sein“, meint Dexl. Er und sein Team haben beispielsweise nur ein Bild pro Patient genutzt – in der Realität werden für einen Befund mehr Bilder aufgenommen, etwa unterschiedliche Schnitte des Gehirns oder Ansichten. Dexls Kollege Reiser ist sich sicher: „Im Bereich Machine Learning wird schon seit Jahren geforscht. Auch in der Medizintechnik ist das Thema am Kommen.“


Quelle: Hochschule Landshut

07.12.2017

Mehr aktuelle Beiträge lesen

Verwandte Artikel

Photo

Bildbasierte Diagnose von Covid-19

KI erkennt Coronavirus auf CT-Scans

Zur Erkennung des Coronavirus SARS-CoV-2 gibt es neben den weltweit eingesetzten PCR-Tests (Polymerase-Kettenreaktion) noch weitere Diagnosemöglichkeiten: Die Erkrankung lässt sich auch per…

Photo

Bessere Bildqualität bei weniger Datengrundlage

Maschinelles Lernen verbessert Bildgebung

Wissenschaftler der ETH Zürich und der Universität Zürich haben Methoden des maschinellen Lernens eingesetzt, um die optoakustische Bildgebung zu verbessern. Mit diesem relativ jungen Verfahren…

Photo

Große Datenmengen, große Herausforderungen

Big Data: Wie erziehe ich meinen Algorithmus?

Ähnlich wie gute Pädagogen Strategien brauchen, um den Nachwuchs aufs Leben vorzubereiten, müssen auch Radiologen einige Vorarbeit leisten, damit der Computer gut für seine Aufgabe gerüstet ist…

Verwandte Produkte

Canon - HIT Automation Platform

Artificial Intelligence

Canon - HIT Automation Platform

Canon Medical Systems Europe B.V.
Fujifilm - FDR EX-M1 AI box

Aritificial Intelligence

Fujifilm - FDR EX-M1 AI box

FUJIFILM EUROPE GmbH
Fujifilm · REiLI

Artificial Intelligence

Fujifilm · REiLI

FUJIFILM EUROPE GmbH
Hitachi - Diagnostic Image Support Solutions

Artificial Intelligence

Hitachi - Diagnostic Image Support Solutions

Hitachi Medical Systems Europe (Holding) AG
Shimadzu – CLAM-2030

Research Use Only (RUO)

Shimadzu – CLAM-2030

Shimadzu Europa GmbH
Siemens Healthineers – AI-Rad Companion

Artificial Intelligence

Siemens Healthineers – AI-Rad Companion

Siemens Healthineers
Newsletter abonnieren