Maschinelles Lernen (ML) hat in den vergangenen Jahren zu enormen Fortschritten in der Bildverarbeitung geführt. Dabei hängt die Leistungsfähigkeit künstlicher neuronaler Netze(KNN), einem der mächtigsten ML Verfahren, maßgeblich von Qualität und Quantität der zugrundeliegenden Daten ab, die den lernenden Algorithmen zur Verfügung stehen. Allerdings ist in der Medizin die Erstellung eines umfangreichen Datensatzes mit hohem Zeit- und Kostenaufwand verbunden. Bezogen auf den konkreten Anwendungsfall – Früherkennung von Speiseröhrenkrebs – wird der Schweregrad aufgrund des Befunds einer Gewebeprobe ermittelt und vom Fachexperten im korrespondierenden Bildmaterial eingezeichnet (annotiert).Das Ziel des Projekts ist Algorithmen zu entwickelt, die sowohl aus annotiertem als auch nicht-annotiertem Bildmaterial lernen können. Dadurch soll die Menge an annotierten Daten, die für hohen Erkennungsraten benötigt wird, verringert werden. Diese Art desmaschinellen Lernens wird als „Semi-Supervised Learning“ (SSL) bezeichnet.
Die Zentrale Idee der SSL Methoden ist dabei, dass während des Trainings auf nicht-annotierte Daten ein Stellvertreter für die unbekannte Annotation geschätzt werden soll. DieInteraktion zwischen Modell und Stellvertreter-Wahrheit soll auf unterschiedliche Arten realisiert werden. Die Generierung der Stellvertreter kann entweder als Ausgabe des primären KNN oder ausgelagert auf ein sekundäres Netzwerk realisiert werden.
Weiter soll untersucht werden wie der Einfluss der Stellvertreter-Annotationen auf das primäre Netzwerk gesteuert werden kann, so dass es zu keinem Rückschritt der Erkennungsratekommt.
Abschließend sollen die Methoden für den speziellen medizinischen Anwendungsfall, der Früherkennung von Karzinomen der Speiseröhre aus endoskopischen Bildern, optimiert und empirischvalidiert werden.
Bildbasierte Früherkennung von Barrett's Ösophagus mit halb-überwachten Lern-Algorithmen
MEMBER IN THE JOINT ACADEMIC PARTNERSHIP
since
Prof. Dr. Christoph Palm
Das Labor Regensburg Medical Image Computing (ReMIC) ist ein Labor der Fakultät Informatik und Mathematik der OTHRegensburg. Es konzentriert sich auf die Forschung zur medizinischen Bildanalyse. Dabei steht insbesondere das Thema des Maschinellen Lernens
(„Deep Learning“) im Fokus. Es bildet die methodische Grundlage für die computerunterstützteDiagnostik zur Klassifikation und Segmentierung von Bilddaten z.B. aus der Endoskopie, der Mikroskopie oder der Radiologie.
Das ReMIC ist Mitglied in drei interdisziplinären und fakultätsübergreifenden Forschungseinrichtungen der OTH Regensburg, den Regensburg Centern:
- Regensburg Center for Artificial Intelligence (RCAI)
- Regensburg Center of Biomedical Engineering (RCBE)
- Regensburg Center of Health Sciences and Technology (RCHST)
Forschungsschwerpunkte:
- Maschinelles Lernen auf Basis medizinischer Bilder
- Computer-unterstützte Diagnose
- Klassifikation, Segmentierung und Registrierung medizinischer Bilddaten
Projects:
- Deep Learning basierte Erkennung und Verfolgung chirurgischer Instrumente in Videobildern durch Einbeziehung räumlicher und zeitlicher Informationen
- Multimodality Machine Learning for Gastroenterology
- Entwicklung einer haptisch und visuell unterstützten Trainingssimulation zur Bohrung an komplexen Knochenstrukturen für minimalinvasive Handchirurgie
- Bildbasierte Früherkennung von Barrett's Ösophagus mit halb-überwachten Lern-Algorithmen
Publikationen
Ebigbo A., Mendel R., Rückert T., et al. (2021):
Endoscopic prediction of submucosal invasion in Barrett’s cancer with the use of artificial intelligence:a pilot study. In: Endoscopy, 53(09), S. 878-883. https://doi.org/10.1055/a-1311-8570.
Mendel R., de Souza L. A. Jr., Rauber D., Papa J. P. und Ch. Palm (2020):
Semi-supervised Seg-mentation Based on Error-Correcting Supervision. In: Vedaldi A., Bischof H., Brox T. und J.M. Frahm (Hrsg.): Computer Vision – ECCV 2020. ECCV 2020. Lecture Notes in Computer Science, 12374. Springer, Cham, S. 141-157. https://doi.org/10.1007/978-3-030-58526-6_9.
Poster und Präsentationen
Mendel R. (2021):
Semi-supervised Segmentation Based on Error-correcting Supervision, Workshop Bildverarbeitung für die Medizin (BVM), Regensburg, virtuell.
Mendel R., de Souza L. A. Jr., Rauber D., Papa J. P., Palm Ch. (2020):
Semi-supervised Segmentation Based on Error-correcting Supervision. European Conference on Computer Vision (ECCV), virtuell.
Stipendien und Auszeichnungen
Fellowship Programms, Bayerische Forschungsinstitut für Digitale Transformation (bidt).
Endoskopie-Forschungspreis der DGVS, Preisträger Robert Mendel (OTH Regensburg), Alanna Ebigbo (Universitätsklinikum Augsburg).
