Baukasten für KI-gesteuerte medizinische Bildanalyse vorgestellt

/WrightStudio, stock.adobe.com

Heidelberg – Wissenschaftler vom Deutschen Krebsforschungszentrum (DKFZ) haben ein Verfahren vorgestellt, um selbstlernende Algorithmen für eine Vielzahl verschiedener Bilddatensätze zu konfigurieren – ohne dass dafür Expertenwissen oder eine außergewöhnliche Rechenleistung erforderlich wäre.

Sie berichten darüber im Fachmagazin Nature Methods (2020; DOI: 10.1038/s41592-020-01008-z).
Für die Auswertung von medizinischen Bilddaten mittels künstlicher Intelligenz (KI) müssen die Computer die dreidimensionalen Bilddatensätze zum Beispiel der Computertomografien (CT) zu interpretieren lernen.

Sie müssen etwa unterscheiden können, welcher Bildpunkt zum Tumor gehört und welcher nicht. Diese Unterscheidung bezeichnen KI-Experten als semantische Segmentierung. Für jede einzelne Aufgabenstel­lung – etwa ein Nierenkarzinom in CT-Bildern oder einen Brustkrebs in Magnetresonanztomografien (MRT) zu erkennen – müssen Wissenschaftler spezielle Algorithmen entwickeln, die diese Unterscheidung vornehmen und Vorhersagen treffen können.

Als Trainingsmaterial für das maschinelle Lernen dienen dabei Bilddatensätze, in denen Ärzte bereits per Hand markiert haben, was Tumor ist, was gesundes Gewebe und was andere wichtige anatomische Strukturen sind.

Die Wissenschaftler haben jetzt eine Methode entwickelt, die sich dynamisch und vollautomatisch belie­bigen Bilddatensätzen anpasst und so auch Personen mit geringeren Vorkenntnissen ermöglichen soll, selbstlernende Algorithmen für bestimmte Aufgabenstellungen zu konfigurieren.

Das nnU-Net genannte Verfahren kann mit einer großen Bandbreite an Bilddaten umgehen: Neben den klassischen bildgebenden Verfahren wie CT und MRT lassen sich damit auch Bilder aus der Elektronen- und Fluoreszenzmikroskopie bearbeiten.

„nnU-Net ist sofort einsatzbereit, kann auf Bilddatensätzen trainiert werden und spezielle Aufgaben erfüllen – ohne dass dafür besondere computerwissenschaftliche Spezialkenntnisse oder eine außerge­wöhn­liche Rechnerausstattung erforderlich wäre“, erklärt Klaus Maier-Hein aus der Arbeitsgruppe.
nnU-Net steht als Open-Source-Tool kostenfrei zum Download zur Verfügung. © hil/aerzteblatt.de