Warum die medizinische Bildgebung die nächste Herausforderung für Deep Learning ist
Die medizinische Bildgebung, zu der Röntgenaufnahmen, Ultraschall und MRT gehören, erfordert normalerweise die Flexibilität des menschlichen Auges, um Anomalien zu erkennen. Computer sind bekanntlich bei voll belegtem Hintergrund und problematischen Bildqualitäten, wie z. B. spiegelndem Glanz, verwirrt. Dies erschwert es herkömmlichen Bildverarbeitungsalgorithmen unglaublich, ein Objekt oder einen Zielbereich genau zu lokalisieren, insbesondere um Abweichungen in einer nicht strukturierten Szene zu identifizieren. Für automatisierte Systeme kann es zeitaufwändig und schwierig, wenn nicht sogar unmöglich sein, den Zielbereich erfolgreich zu identifizieren und dabei irrelevante Merkmale zu ignorieren.
Die Deep-Learning-basierte Bildanalyse kann heute jedoch die Suche nach biologischen Anomalien zuverlässig, wiederholt und problemlos automatisieren. Dadurch ändert sich die Rolle des Radiologen von heute, der nun die computerunterstützte Diagnose (CAD) in der medizinischen Bildgebung nutzen kann. Ob bei der Suche nach einer bestimmten Anomalie wie einem Tumor oder einer Abweichung vom normalen Erscheinungsbild des Körpers - Cognex Deep Learning vereint die Flexibilität des Auges eines menschlichen Prüfers mit der Geschwindigkeit und Robustheit eines computerbasierten Systems. Zwei spezielle Tools unterstützen diesen Prozess. Das Lokalisierungs-Tool identifiziert den Zielbereich (z. B. ein bestimmtes Organ), trotz eines visuell störenden Hintergrundes mit wenig Kontrast. Das Defekterkennungs-Tool entwickelt ein Referenzmodel des normalen Organs, sowie von spezifischen Anomalien, so dass es jedwede Abweichung der normalen Physiologie im Zielbereich erkennen kann.
Einige tolle Beispiele umfassen die Verwendung von Deep-Learning-basierten Tools zur Lokalisierung und Identifizierung von Organen oder Implantaten in einer Röntgenaufnahme. Das Lokalisierungs-Tool kann ein Organ anhand der erlernten spezifischen Merkmale lokalisieren. Um das Lokalisierungs-Tool zu trainieren braucht man lediglich Aufnahmen, in denen der Zielbereich markiert ist. Ähnlich können Deep-Learning-basierte Tools zur Defekterkennung und Segmentierung, wie z. B. das Cognex Deep Learning Defekterkennungs-Tool, dabei helfen, Anomalien in medizinischen Bildern zu identifizieren. Das Defekterkennungs-Toll entwickelt ein Referenzmodell eines normalen Organs, sowie von spezifischen Anomalien, basierend auf einem Set von Musterbildern. Anomalien, die von der normalen Physiologie der Zielzone abweichen, werden in der computerunterstützten CAD-Diagnose durch einen radiologischen Facharzt gekennzeichnet.
Erfahren Sie mehr über die spannenden neuen Deep-Learning-Anwendungen in der medizinischen Bildgebung und laden Sie dazu den kostenlosen Leitfaden herunter: Cognex Deep Learning für Life Sciences.
