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

Verwandte Artikel

AI und Machine Learning

Algorithmen helfen bei schnellen und sicheren Diagnosen in der Radiologie

Künstliche Intelligenz und das maschinelle Lernen gehören gegenwärtig zu den großen Themen in der Radiologie. Seit 2014 beschäftigt sich contextflow, ein Spin-Off der Medizinischen Universität…

Therapie

Molekulare Bildgebung zeigt wahre Größe

Es ist der Blick über den Atlantik, der Prof. Fabian Kießling, Leiter des Lehrstuhls für Experimentelle Molekulare Bildgebung an der RWTH Aachen, optimistisch stimmt. Denn in Amerika hat die…

Molekulare Bildgebung

Welches Potential hat die Xenon-MRT?

Die MRT ist als bildgebendes Verfahren nicht mehr aus dem klinischen Alltag wegzudenken. Ohne Strahlenbelastung können Ärzte Organe und Gewebestrukturen des Patienten einfach sichtbar machen.…

Verwandte Produkte

Research use only (RUO)

Shimadzu - CLAM-2000

Shimadzu Europa GmbH

Interventional systems - Bi-Plane

Shimadzu - Trinias B12 / B8 MiX package

Shimadzu Europa GmbH

R/F digital - CR

Agfa - DR 10s detector

Agfa HealthCare

R/F digital - DR

Agfa DR 400 (floormounted)

Agfa HealthCare

R/F digital - Digital

Agfa - DR 600 (ceiling suspended)

Agfa HealthCare

R/F digital - Flatpanel fluoro

Agfa - DR 800 (Fluoroscopy)*

Agfa HealthCare