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."
Auf der "Medical Imaging"-Konferenz der International Society for Optics and Photonics (SPIE) in San Diego stellt MEVIS-Forscherin Jennifer Nitsch einen Algorithmus vor, der Ultraschallbilder des Gehirns segmentieren kann. Mögliches Einsatzfeld ist ein System, das Neurochirurgen bei ihren Eingriffen unterstützen soll. Um möglichst zielsicher opieren zu können, orientieren sich die Ärzte an einer MRT-Aufnahme, die vor der OP vom Kopf des Patienten gemacht wurde. Das Problem: Nach Öffnen des Schädels ändert sich die Form des Gehirns, weil Flüssigkeit ausläuft.
Um das MRT-Bild der neuen Situation anzupassen, soll künftig ein Trick helfen: Während des Eingriffs werden Ultraschallbilder aufgenommen, auf deren Basis eine Software die MRT-Bilder so umrechnet, dass sie die neue, veränderte Situation zeigen. Damit hätte der Chirurg stets eine aktualisierte "Landkarte" des Patientengehirns vor Augen. Eine der Voraussetzungen: Um die MRT- und die Ultraschallbilder zuverlässig aufeinander abzubilden, muss sie eine Software automatisch segmentieren. "Per Deep Learning konnten wir diese Segmentierung der Ultraschallaufnahmen deutlich verbessern", sagt Hans Meine. "Hier bringen die selbstlernenden Algorithmen bereits einen großen Nutzen."
Ein weiteres Einsatzfeld ist die sogenannte Bildregistrierung. Dabei bringt der Rechner Aufnahmen, die zu unterschiedlichen Zeiten gemacht wurden, so zur Deckung, dass man sie optimal vergleichen kann. Auf der SPIE-Konferenz stellt MEVIS-Forscherin Alessa Hering einen selbstlernenden Algorithmus vor, der die Folgeuntersuchungen bei Lungentumoren erleichtern soll: Ist ein Knoten in der Lunge eines Patienten nach einigen Wochen gewachsen, oder hat er sich wie erhofft durch eine Therapie zurückgebildet? Hier liegt die Herausforderung darin, die aktuelle Aufnahme mit dem früher gemachten Bild so zur Deckung zu bringen, dass sie auch wirklich dieselben Strukturen zeigt. Diese automatische Bildregistrierung haben die Fraunhofer-Fachleute nun deutlich beschleunigt: "Wir konnten die sowieso schon leistungsfähige Registrierung bei akzeptabler Qualität um das 40-Fache beschleunigen", berichtet Meine. "Zuvor hatte der Prozess zum Beispiel acht Sekunden gedauert, mit Deep Learning sind es nur noch 0,2 Sekunden."
Einige ihrer neuen Software-Komponenten demonstrieren die MEVIS-Fachleute auf der Konferenz als Live-Vorführungen. Außerdem bieten sie für Fachleute, die sich in das noch junge Thema einarbeiten wollen, zwei Kurse an. "Wir sind in einer Phase, in der Deep Learning allmählich in die medizinische Anwendung kommt", betont Hans Meine. "Deshalb arbeiten wir bereits mit klinischen Partnern und auch mit Firmen zusammen."
MEDICA.de; Quelle: Fraunhofer-Institut für Digitale Medizin MEVIS
