Bildgebung und Bildverarbeitung
Die medizinische Versorgung geht einher mit der Analyse und Verwendung einer sehr großen und stetig wachsenden Menge an medizinischen Daten. Die Bildgebende Diagnostik ist zum Beispiel eine der beiden Hauptsäulen bei der Detektion und der Diagnose von Krankheiten. Die Aufgabe der Radiologen ist zunächst die Erstellung medizinischer Bilder mithilfe von MRT, CT und co. Anschließend werden die Bilder je nach Fragestellung entweder auf Auffälligkeiten untersucht (Detektion) oder das sich darstellende Krankheitsbild charakterisiert (Diagnose). Dieser Prozess der Befundung ist in Anbetracht großer Datenmengen zeitraubend und ermüdend. Auch für die Planung und Führung von minimalinvasiven Eingriffen in der Therapie sind häufig sehr zeitaufwändige und komplexe Verfahren der Bildverarbeitung notwendig.
Das Forschungsfeld der medizinischen Bildverarbeitung wird daher seit einigen Jahren dominiert von Themen des maschinellen Lernens, speziell mithilfe tiefer neuronaler Netze (Deep Learning).
Ausgewählte Projekte
AI-Safety-Monitoring
Ansprechpartner: Prof. Dr. Stefanie Remmele, Prof. Dr. Eduard Kromer
Laufzeit: Februar 2026 - Mai 2028 (2,5 Jahre)
Förderung: BMWi, ZIM
Partner: deepc GmbH, LMU Klinik und Poliklinik für Radiologie
Wissenschaftlicher Mitarbeiter: Tobias Ziegler
Eine zentrale Herausforderung beim Einsatz von KI-Systemen in der medizinischen Bildgebung sind sogenannte Domain Shifts. Darunter versteht man Abweichungen zwischen den Daten, auf denen Algorithmen trainiert wurden, und den realen Daten aus dem klinischen Alltag.
Solche Unterschiede können beispielsweise durch verschiedene CT-Geräte oder Untersuchungsprotokolle entstehen. Auch Unterschiede in den Patientengruppen oder Bildartefakte (Bildquelle: Case courtesy of David Puyó Vera, Radiopaedia.org, rID: 25637) infolge von Bewegung oder Fremdmaterial können die Zuverlässigkeit und Leistungsfähigkeit von KI-Modellen beeinflussen. Genau hier setzt das Projekt AI-Safety-Monitoring an. Ziel ist es, Domain Shifts frühzeitig zu erkennen, um Transparenz sowie Vertrauenswürdigkeit von KI-Modellen in der medizinischen Bildgebung nachhaltig zu erhöhen.
Bildunterschrift: CT Bild mit Bewegungsartefakt (Case courtesy of David Puyó Vera, Radiopaedia.org, rID: 25637)
NeuroTEST
Ansprechpartner: Prof. Dr. Stefanie Remmele
Laufzeit: 2021-2023 (2 Jahre)
Förderung: ZIM
Partner: deepc GmbH, München
Assoziierte Partner: LAKUMED Krankenhaus Landshut-Achdorf, Prof. Dr. Tobias Schäffter (PTB Berlin, TU Berlin)
Wissenschaftliche Mitarbeiterin: Christiane Posselt
Methoden des maschinellen Lernens, insbesondere unter Nutzung tiefer neuronaler Netze feiern immer neue Erfolge bei der Analyse und Klassifizierung medizinischer Bilder. Klar ist, in vielen Anwendungen erreichen die Algorithmen bereits mindestens menschenähnliche Entscheidungsgenauigkeiten. Unklar ist allerdings noch, wie sich Netze, trainiert auf einer bestimmten Datensituation, in einer anderen Datensituation verhalten. Z.B. wenn sich Aufnahmehardware oder Bildgebungsparameter von Radiologie zu Radiologie unterscheiden.
Im BMWi geförderten ZIM Projekt NeuroTEST entwickelt die Forschungsgruppe Medizintechnik (Projektleitung Prof. Remmele) zusammen mit dem Münchner Startup deepc Methoden zur systematischen Validierung von neuronalen Netzen (Anwendungsfall Segmentierung von MS Läsionen). Dazu werden Methoden der statistischen Versuchsplanung erforscht, wobei KI-Algorithmen systematisch auf Daten unterschiedlicher Aufnahmeprotokolle getestet werden. Im Zentrum des Projekts an der HAW steht die Simulation und Synthese dieser Daten, um für die Stresstests beliebige Datendomänen bereitstellen zu können.