Anzeige
PWG-Seminare
Deep Learning
Deep-Learning-Metho­den helfen Knochen­me­ta­sta­sen zu entde­cken, die in der klini­schen Praxis überse­hen werden können.Bild: Radbou­dumc, Nijme­gen, NL; Fraun­ho­fer MEVIS

Ist ein Tumor im Laufe einer mehrmo­na­ti­gen Behand­lung geschrumpft, oder haben sich in der Zwischen­zeit gar neue Geschwulste entwi­ckelt? Um Fragen wie diese zu klären, werten Ärzte unter anderem CT- und MR-Aufnah­men aus. Meist werden die Tumoren dabei nur visuell bewer­tet und neue Geschwulste manch­mal überse­hen. „Unser Programm­pa­ket erhöht die Sicher­heit bei der Vermes­sung und Nachver­fol­gung der Tumoren“, erläu­tert Mark Schenk vom Fraun­ho­fer-Insti­tut für Bildge­stützte Medizin MEVIS in Bremen. »Die Software kann zum Beispiel erfas­sen, wie sich das Volumen eines Tumors im Laufe der Zeit verän­dert und unter­stützt beim Aufspü­ren neuer Geschwulste.«

Das Paket ist als Baukas­ten­sys­tem ausge­legt und kann Medizin­tech­nik-Herstel­lern helfen, die Verlaufs­kon­trolle zu automa­ti­sie­ren. Das Beson­dere: Um die Ergeb­nisse zu verbes­sern, verwen­det die Software Deep Learning – eine neue Art des maschi­nel­len Lernens, die deutlich über bishe­rige Ansätze hinaus­geht. Hilfreich ist das Verfah­ren unter anderem für die Segmen­tie­rung. So bezeich­nen Exper­ten jenen Arbeits­schritt, der bei CT- und MRT-Bildern die genauen Umrisse der Organe erfasst. Bei den bisher verfüg­ba­ren Segmen­tie­rungs­pro­gram­men sucht der Rechner nach fest definier­ten Bildmerk­ma­len, etwa nach bestimm­ten Grauwert-Unter­schie­den. „Doch dabei kommt es nicht selten zu Fehlern“, erläu­tert Fraun­ho­fer-Forscher Markus Harz. „Die Software ordnet dann Berei­che der Leber zu, die gar nicht zum Organ gehören.“ Diese Fehler müssen die Medizi­ner oft zeitauf­wän­dig korrigieren.

Auch Knochen­me­ta­sta­sen kann die Software aufspüren

Die neuen Deep-Learning-Ansätze verspre­chen bessere Ergeb­nisse und sollen den Ärzten kostbare Zeit sparen. Um die Funkti­ons­weise ihrer selbst­ler­nen­den Software zu demons­trie­ren, trainier­ten sie die Fraun­ho­fer-Forscher mit Hilfe von CT-Leber­auf­nah­men von 149 Patien­ten. Das Ergeb­nis: Je mehr Daten­sätze das Programm analy­sierte, umso besser konnte es die Leber­um­risse automa­tisch identifizieren.

Ein weite­res Einsatz­feld ist die sogenannte Bildre­gis­trie­rung. Hier bringt eine Software verschie­dene Aufnah­men, die zu unter­schied­li­chen Zeiten gemacht wurden, so zur Deckung, dass sie die Medizi­ner direkt verglei­chen können. Hierbei kann die Bildre­gis­trie­rung das maschi­nelle Lernen bei einer beson­ders schwie­ri­gen Aufgabe unter­stüt­zen, und zwar bei dem Aufspü­ren von Knochen­me­ta­sta­sen in Aufnah­men des Oberkör­pers, auf denen Hüftkno­chen, Rippen und der Wirbel­säule. Bislang werden diese Metasta­sen unter dem in der klini­schen Praxis herrschen­den Zeitdruck oft überse­hen. Deep-Learning-Metho­den können helfen, sie zuver­läs­sig zu entde­cken und damit die Thera­pie­chan­cen zu verbessern.

Quelle: idw