Magazin Forschung 2019

24 | KÜNSTLICHE INTELLIGENZ
Laboreinblick:
Regensburg Medical Image Computing (ReMIC) –
Von Künstlicher Intelligenz bis Mixed Reality
Die Medizinische Bildverarbeitung bildet einen wichtigen Baustein der Medizinischen Informatik.
An der OTH Regensburg vertritt das Labor Regensburg Medical Image Computing (ReMIC) der
Fakultät Informatik und Mathematik dieses Gebiet in Lehre und Forschung. Es ist Mitglied in den
Forschungseinrichtungen Regensburg Center of Biomedical Engineering (RCBE) und Regensburg
Center of Health Sciences and Technology (RCHST). In Kooperation mit Klinikerinnen und Klinikern
bilden im ReMIC z. B. computerunterstützte Diagnostik und medizinisches Training thematische
Schwerpunkte.
Medizinische Bildverarbeitung
Das Sprichwort „Ein Bild sagt mehr als tausend Worte“
trifft im besonderen Maße auf den medizinischen Kontext
zu. Bilder – egal ob 2D-Aufnahmen aus Fotografie
und Endoskopie oder 3D-Bilddaten aus der Magnet -
resonanztomographie bzw. der Computertomographie –
sind häufig Bestandteil des medizin-diagnostischen
Prozesses. Die Aufgabe der Ärztinnen und Ärzte ist es,
diese Bilddaten zu analysieren und z. B. krankhafte Veränderungen
wie Frakturen, Zysten oder Tumore zu finden.
Die Analyse der Bilder ist jedoch letztlich immer subjektiv
und abhängig von z.B. der Erfahrung der Ärztin oder des
Arztes.
Die Medizinische Bildverarbeitung verfolgt das Ziel, die
Ärztin bzw. den Arzt bei der Analyse der Bilddaten zu unterstützen
und eine objektive Vermessung des Gewebes
zu gewährleisten.
Deep Learning
Die „klassische“ Bildverarbeitung hat in den letzten fünf
Jahren einen starken Wandel hin zur Anwendung von
Künstlichen Neuronalen Netzen erlebt. Der wesentliche
Unterschied dabei ist, dass Bildmerkmale nicht mehr im
Dialog zwischen Partnerinnen und Partnern aus Medizin
und Informatik entwickelt, sondern vom Rechner selbst
gelernt werden. Damit ist die Medizinische Bildverar -
beitung zu weiten Teilen eine Disziplin der Künstlichen
Intelligenz geworden. Das ReMIC fokussiert sich seit
einigen Jahren auf die Methodenentwicklung und Anwendung
von Deep Learning Verfahren. Deep Learning
ist ein Teilgebiet des Maschinellen Lernens und der Künstlichen
Intelligenz und setzt Neuronale Netze mit sehr
vielen Schichten ein.
Allerdings ist es für diesen Lernprozess erforderlich, das
gewünschte Segmentierungsergebnis für eine große Zahl
von Bildern vorab zu kennen. Eine wichtige Aufgabe der
Deep Learning für endoskopische Bilder der Speiseröhre
Für das HaptiVisT System wird ein Versuchsaufbau entwickelt, um den
notwendigen Druck bei der Bohrung am Beispiel von Hühnerknochen
zu messen.