KI Methoden für Bild- und Sensordaten / Bildverarbeitung

Ansprechpartner:Prof. Dr. Stefanie Remmele
Projektpartner:Prof. Dr. Lienemann (Radiologie Mühleninsel)
Prof. Dr. med. Holzapfel (LAKUMED)
Prof. Dr. Tobias Schäffter (PTB, TU Berlin, King's College, Einstein Center Digital Future)
Dr. Franz Pfister (deepc)

Die Bildgebende Diagnostik ist eine der beiden Hauptsäulen 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.
Erschwerend kommt hinzu, dass ein Großteil der Daten "Normalbefunde" sind, das heißt, keinerlei Auffälligkeit hinsichtlich bestimmter Bildmerkmale zeigt und trotzdem viel Zeit und Konzentration kostet. Ziel des Projekts ist die Verbesserung der radiologischen Entscheidungsfindung. Dazu sollen Methoden entwickelt werden, die den Radiologen bei der Klassifizierung hinsichtlich Normalbefund / auffälliger Befund unterstützt.

Befundung med. Bilddaten mit KI

Classification using CNN-based feature engineering
Michael Uhl, Maximilian Reiser, Roland Stolz (Bachelorarbeiten)

In den Arbeiten wird untersucht, inwieweit die Unterdrückung von redundanten Bildmerkmalen durch eine Segmentierung und die Verwendung von vortrainierten Netzen, die Genauigkeit von Klassifizierungsansätzen beeinflusst. Dabei werden verschiedene Netzarchitekturen und Vorverarbeitungsstrategien untersucht. Im Zentrum steht die Frage: Wie tief ist tief genug?

 

Classification using rule-based feature engineering
Maximilian Reiser, Jakob Dexl, Lisa-Maria Kirchner (Projektarbeit)

Radiomics bezeichnet die Analyse von med. Bilddaten anhand Anatomie-beschreibender Merkmale (Features) wie das Volumen von Struktuen, Symmetriefaktoren oder Intensitätsverteilungen meist anhand von maschinell lernender Verfahren. In dem Projekt werden Bildanalysemethoden zur Erhebung solcher Merkmale erforscht und verglichen und  Konzepte für eine Ergebnisvisualisierung auf dem Befundungstool (SkyVue, Cerner ) erarbeitet.

 

Classification using unsupervised feature engineering
Denis Kahraman, Fritz Sollfrank, Christian Hofmann (Projektarbeit)
Leo Hurzlmeier (Bachelorarbeit) 

Im Rahmen dieses Projekts wird die Hauptkomponentenanalyse für verschiedene Fragestellungen rund um die automatische Bildbefundung untersucht.

Zum einen dient der nicht-überwachte Ansatz der Unterdrückung redundanter Bildinformation in einem Trainingsdatensatz.

Zum anderen, kann das Verfahren eingesetzt werden, um einen Bilddatensatz aus einem anderen Bilddatensatz zu schätzen. Zum Beispiel einen gesunden Datensatz aus einem kranken. Dies dient zum Beispiel der Detektion auffälliger Bereiche in einem Datensatz.

KI-Validierung

Visualisierungsmethoden
Jakob Dexl (Bachelorarbeit)

Im Sommersemester 2018 wurden verschiedene Visualisierungsansätze für die CNNs implementiert. Diese sollen die Entscheidungsfindung des Netzes nachvollziehbar machen, und so u.a. helfen, Schwachstellen der Algorithmen zu identifizieren und die Methoden zu optimieren sowie langfristig die Aufmerksamkeit bei der Befundung auf die detektierten Auffälligkeiten lenken. Die Arbeit ist 2019 mit dem VDE-Preis in der Kategorie Wissenschaft ausgezeichnet worden.

Deployment – KI Demonstrator

KI-Demonstrator für Bilder - Eine mobile Anwendung für die Analyse von Bildern
Serouj Khajarian, Alexander Paulik, Marius Reinhardt (Projektarbeit)

Im Rahmen des Projekts wurde untersucht, inwieweit künstlich intelligente Lösungen als tragbare Lösung zur Verfügung gestellt werden können. Es wurde eine Demonstrator-Anwendung entwickelt, die von einem USB-Stick aus gestartet und somit mobil auf beliebigen Rechnern ausgeführt werden kann. Ziel der Lösung ist es, neue Anwendungen zur Bildklassifizierung und -verarbeitung schneller bei medizinischen Anwendern testen und evaluieren zu können.

Embedded Systems & Edge AI

Projektbetreuer:Prof. Dr. Andreas Breidenassel
Projektpartner:Gerald Gradl (Texas Instruments)

 

Edge AI setzt sich aus dem Trend der KI-Methoden und dem klassischen Edge Computing zusammen. Die erhobenen Daten werden direkt vor Ort verarbeitet. Mithilfe der Dezentralität können viele Vorteile im Vergleich zum Cloud-Computing geschaffen werden. Unter anderem wird durch die Cloud-Entkopplung die sonst zwanghaft notwendige Internetverbindung verhindert. Es kann in ländlichen als auch in Regionen mit extremen Wetterbedingungen genutzt werden. Des Weiteren spielt gerade im medizintechnischen Umfeld die Datensicherheit eine übergeordnete Rolle. Die Daten verbleiben auf dem System und können direkt vor Ort verarbeitet werden. Es besteht daher keine Gefahr aufgrund unzureichender Anonymisierung und der Rückverfolgbarkeit von Daten. Edge AI ist zudem auf den Anwendungsfall zugeschnitten und benötigt keine dauerhafte Kommunikation. Die Energieeffizienz mobiler Systeme ist ein weiterer Faktor. Durch die sofortige Datenverarbeitung und der Cloud-entkoppelten Verarbeitung entfallen große Speichermedien und eine dauerhafte Kommunikation mit der Cloud.

Edge AI

Klassifizierung von EKG-Daten mittels Deep Learning auf einem Nvidia Jetson Nano System
Leo Hurzlmeier, Christiane Huber (Projektarbeit)

Die häufigste Todesursache weltweit stellen Erkrankungen des Herz-Kreislauf-Systems (HKS) dar. Darunter fallen unter anderem Herzrhythmusstörungen (Arrhythmien), welche mithilfe des EKGs diagnostiziert werden können. Um für die passende Form der Arrhythmie auch die passende Behandlung zu wählen, ist eine exakte Diagnose notwendig. Diese erweist sich als zeitintensiv und ermüdend und soll durch die Verwendung von computer-gestützten Diagnoseprogrammen reduziert werden. Im Wintersemester 2019 hat eine Projektgruppe mit Deep Learning erfolgreich EKG-Daten klassifiziert. Es konnte mit einer Zuverlässigkeit von 98,06% drei verschiedene Krankheitsbilder kategorisiert werden. Zudem wurde Einfluss von Rauschen untersucht und das System auf dem Nvidia Jetson Nano implementiert. 

Mole Identifier - Mobile Klassifizierung von Hautläsionen
Maximilian Reiser, Gabriel Horkovics-Kovats (Projektarbeit)

Das Risiko an Hautkrebs zu erkranken ist seit den 60er Jahren von 0.17% auf 1.00 bis 1.33% gestiegen. Ein entscheidender Faktor, um die Sterblichkeit mit einer Quote von 14.11% (Stand Jahr 2010) zu senken, ist eine frühzeitige Erkennung vor der Metastasierung. In einer Projektarbeit wurde eine Methode zur Klassifizierung von Hautläsionen mittels Depp Learning und Handykamera entwickelt. In der Applikation können unterschiedliche, trainierte Modelle ausgewählt werden. Anschließend kann der Nutzer ein Bild der zu klassifizierenden Hautläsion mit der Handykamera aufnehmen und bewerten lassen. Die segmentierten Hautläsionen konnten mit einer Genauigkeit von 85.11% klassifiziert, das trainierte Netzwerk auf ein Android-Smartphone portiert und mit einer App angesteuert werden.

Embedded Systems

EMG Biofeedback-System
Michael Hartl, Michael Gröber, Matthias Laber, Lisa-Maria Kirchner (Projektarbeit)
Michael Gröber, Paul Wingert (Projektarbeit)

Im Rahmen einer Projektarbeit wurde ein mobiles Biofeedback-System entwickelt. Die Patienten sollen mithilfe des Systems bspw. ihr Bewusstsein verstärkt auf die gelähmten Bereiche richten, um diese gezielt zu trainieren. Ebenfalls kann es als Warnsystem z.B. für Personen in angespannter Körperhaltung (Büroarbeiten am Computer) oder auch als Trainingssystem für Sportler angewendet werden. Es wurde ein Signalweg zur Auswertung von Muskelpotential entworfen, anschließend simuliert und anhand eines Probeaufbaus vermessen.

In der darauffolgenden Projektarbeit wurde ein galvanisch entkoppeltes System, basierend auf einem Raspberry Pi entwickelt. Es wurde eine galvanisch entkoppelte Filterplatine und ein ADC Board, zur Messung von Muskelanspannung (EMG) mit anschließender digitalen Signalverarbeitung auf dem Einplatinenrechner entwickelt.




Konzeption und prototypische Umsetzung eines Tonometers

G. Witte, M. Tesik, V. Eilers (Projektarbeit)

Der Augeninnendruck ist maßgeblich für das Überlebens des Organs. Ist der Augeninnendruck dauerhaft erhöht, kann dies im späteren verlauf zu Schäden am Sehnerv führen. Die Projektgruppe hat einen mobilen Prototyp eines Tonometers aufgebaut. Neben Steuerungsplatine und Spulensystem wurde ein Powermanagementsystem entwickelt. Als Mikrocontroller wurde ein PIC24 genutzt und das Gehäuse wurde mittels 3D-Druck (Fused Deposition Modeling - FDM) aus Polyactid gefertigt.

Workflow & Usability

Projektbetreuer:Prof. Dr. Stefanie Remmele
Prof. Dr. Holger Timinger
Projektpartner:Prof. Dr. med. Johannes Schmidt (LAKUMED)

Digitaler Krankenhausworkflow

 Frau Palga (Bachelorarbeit)

Ziel dieser Arbeit war es, die Prozesse, die eine Operationsabdeckung durchläuft, zu analysieren und zu optimieren. Dabei wurden die Prozesse Bestellung und Lagerung sowie die Verwendung der Operationsabdeckung genauer beleuchtet. Durch die Analyse der Prozesse sollte aufgezeigt werden, an welchen Stellen Optimierungspotenzial vorhanden ist und was unter Einhaltung geltender Gesetze und Schutzmaßnahmen verbessert werden kann.

Medical Software Usability

Usability Testing - Für die Bewertung medizinischer Bildverarbeitungssoftware
Lisa Lang, Julia Füßl, Michael Lorentschk (Projektarbeit)

Das Ziel dieser Projektarbeit war die Erarbeitung eines umfassenden Baukastens für die Durchführung von Usability Tests (empirische Evaluation der Gebrauchstauglichkeit von Produkten) und die anschließende Bewertung des Baukastens anhand einer Probandenstudie. Mithilfe der Projektarbeit wurden zwei Softwareversionen quantitaiv verglichen und der Baukasten evaluiert.

Strukturierte Befundung

Strukturierte Befundung in der Radiologie und Sprachsteuerung
Regina Felix, Georg Gstöttner, Natascha Meilinger, Eva Stöger (Projektarbeit)

Im laufe der Projektarbeit wurde ein Konzept zur Sprachsteuerung von strukturierten Befundungstemplates entwickelt und die Auswirkung dieser in der Radiologie Mühleninsel quantifiziert. Es wurden die Konzepte Maussteuerung, Sprachsteuerung, Mischform und reines Diktat untersucht und miteinander verglichen.

Augmented Reality & Virtual Reality

Projektbetreuer:Prof. Dr. Stefanie Remmele
Projektpartner:Philips DXR Hamburg

Virtual Reality

Planung radiologischer Räume
Artur Maleta (Masterarbeit)

Die Anwendung dient zur Unterstützung in den frühen Phasen eines Raumplanungsprozesses, in denen oft nur Papierskizzen oder manuelle digitale Skizzen als Diskussionsgrundlage vorhanden sind. Weiterhin soll die Erstellung von Detailplänen im weiteren Verlauf eines Projekts ermöglicht werden. Ideen möglicher Raumaufteilungen sollen direkt virtuell mit realen Gerätemodellen und im echten Maßstab skizzierbar sein. Zusätzlich zur 2D-Raumaufteilungsplanung (Objektanordung) und 3D-Verifikation (visuelle Kontrolle) des Aufbaus kann der Raumaufbau in VR erlebt werden, um ihn für den Nutzer greifbarer zu machen und Planungsfehler (z.B. bezüglich Abstände oder Deckenhöhe) zu reduzieren.

 

Gamification und VR-Apps für die Lehre
Lucia Rottmaier, Franziska Köhr, Carolina Steinberger, Christiane Huber (Projektarbeit)

In einer Projektarbeit wurde ein Virtual Reality (VR) Team-Lernspiel mithilfe von Unity entwickelt. Die Komponenten, wie die Spulensysteme des MRTs und die Feldlinienpfeile wurden mit der 3D Modellierungssoftware SketchUp entworfen. Dieses soll den technischen Aufbau und die Magnetfelder eines Magnetresonanztomographen spielerisch veranschaulichen und den Lernerfolg steigern.

 

 

 

Augmented Reality

Augmented Reality Anwendungen spielen in vielen Industriebereichen eine zunehmend wichtige Rolle. Gleichzeitig drängt eine wachsende Zahl an Entwicklungstools, Assets und Bibliotheken auf den Markt.

Entwicklungsumgebungen für die Entwicklung von AR Apps
Theresa Feulner, Maryam Kaiser, Roland Stolz (Projektarbeit)

Im Sommer 2019 hat eine Projektgruppe verschiedene Strategien zur Entwicklung von Augmented Reality Apps miteinander vergleichen (u.a. mit Unity, Vuforia, Wikitude, Aframe, AR.js, ...). Das Projektteam entwickelte für den Vergleich eine interaktive Simulation einer Röntgenröhre und verglich Entwicklungsaufwand, Robustheit der Anwendung und Nutzerzufriedenheit. Gerne hier selbst einmal ausprobieren: