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. 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. bis 21. Februar im kalifornischen San Diego stattgefunden hat. Das Fraunhofer-Institut für Digitale Medizin MEVIS war auf der renommierten Tagung mit mehreren Beiträgen zum Thema Deep Learning vertreten.

Deep Learning ist eine noch junge Variante des maschinellen Lernens. Die Algorithmen sind unter anderem in der Lage, selbstständig Muster in Bilddaten zu erkennen. Dazu „füttert“ man sie mit einer großen Zahl von Bildern zum Beispiel aus einem CT, die ein bestimmtes Organ zeigen, etwa die Leber. In diesen Beispieldateien fahndet die Software nach typischen Eigenschaften, die allen Aufnahmen gemein sind. Nach dieser Trainingsphase ist der Algorithmus in der Lage, auf neuen, ihm unbekannten CT-Bildern die Leber zu finden und zu markieren. Je mehr Daten er für das Training zur Verfügung hat, umso treffsicherer wird das Ergebnis. 

Hilfreich ist die Methode 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.“

Weitere Informationen sind hier erhältlich.