Magazin Forschung 2019

18 | KÜNSTLICHE INTELLIGENZ
Deep Learning zur
computerunterstützten
Früherkennung von
Speiseröhrenkrebs aus
endoskopischen Bildern
Lernen statt
Programmieren
Chronischer Reflux (Rückfluss von Magensäure in die
Speiseröhre) kann zu einer krankhaften Veränderung der
Speiseröhrenschleimhaut führen („Barrett“). Sie gilt als
Vorstufe für Speiseröhrenkrebs und macht regelmäßige
endoskopische Kontrollen erforderlich. Dabei ist es
schwierig, den Übergang von Barrett zu einer frühen
Form des Speiseröhrenkrebses zuverlässig zu erkennen.
Erst eine Gewebeprobe lässt eine sichere Diagnose zu.
Im Labor Regensburg Medical Image Computing (ReMIC)
der OTH Regensburg wird an einem System zur Diagnoseunterstützung
gearbeitet. Dabei werden künstliche Neuronale
Netze mit vielen Schichten (Deep Learning) verwendet,
die charakteristische Bildeigenschaften eigenständig
lernen und so die Wahrscheinlichkeit für eine
Läsion in neuen Bilddaten ermitteln können. Voraussetzung
dafür sind viele Bilder, in denen Expertinnen und
Experten die verdächtige Region (Barrett oder Speiseröhrenkrebs)
manuell eingezeichnet haben.
Das Deep Learning System wurde an 74 Bildern getestet
und erzielte eine Genauigkeit von 86% gegenüber 77 %
bei Ärztinnen und Ärzten ohne spezielle Expertise in der
Barrettdiagnostik. Damit erscheint die Rolle des Computers
als Zweitgutachter in der Diagnostik dieses Spezialgebietes
erreichbar.
Kooperationspartner: Universitätsklinikum Augsburg,
São Paulo State University
Projektleiter: Prof. Dr. Christoph Palm (Deep Learning)
und Karsten Weber (Ethische Begleitforschung)
Christoph Palm ■
Durchlichtbild: Drosselklappe in verschiedenen Posen
In der industriellen Fertigung müssen Roboter oft Werkstücke
greifen, deren Lage und Orientierung etwa auf
einem Förderband nicht genau bekannt ist. Dazu nimmt
eine Kamera ein Bild auf, aus dem mit Standard-Verfahren
der Bildverarbeitung die Lageinformation errechnet
wird. Hierzu müssen qualifizierte Spezialisten geeignete
Verfahren auswählen, ggf. erweitern, als Software implementieren,
und in der Anlaufphase verschiedene Parameter
optimieren. Im Projekt „Lernen von Posen“ wird
untersucht, ob und wie genau die Bestimmung der Pose,
also der sechs Freiheitsgrade für Position und Orientierung,
auch von convolutional neural networks (CNNs)
geleistet werden kann. Fallspezifische Programmierung
und Experten-Knowhow sind hier nicht mehr erforderlich,
stattdessen lernen die CNNs über Standardalgo -
rithmen anhand von Trainingsdaten, auf denen das
Werkstück in unterschiedlichen bekannten Posen abgebildet
ist. Reicht die Genauigkeit noch nicht, können die
CNNs anhand weiterer Beispiele nachtrainiert werden.
Kooperationspartner: Baumann Automation GmbH,
Amberg; GD Engineering&Automation, Friedberg
Projektleiter: Prof. Dr. Martin Weiß
Martin Weiß ■
Das Projekt „Lernen von Posen“
wird vom Freistaat Bayern gefördert.