Geometrisches Deep Learning und graphische Modelle für genaue und nachvollziehbare medizinische Bildanalyse

Deep Learning, als eine schwache Form von Künstlicher Intelligenz, hat schon heute zu großen Fortschritten auf verschiedenen Gebieten der medizinischen Bildanalyse, wie beispielsweise der vollautomatischen Segmentierung von anatomischen Strukturen in CT und MRT Bildvolumen, geführt. Es hat das Potential der wichtigste Bestandteil für das moderne medizinische Bildverstehen zu werden. Gleichzeitig gibt es noch eine Reihe großer Herausforderungen in der Deep Learning basierten Bildverarbeitung, wie der hohen Sensitivität ggü. Intensitätsänderungen (z.B. durch unterschiedliche Scannertypen) oder die immer komplexer werdenden Netzwerkstrukturen, deren Entscheidungsfindungen für den Menschen nur noch schwer nachvollziehbar sind.

In diesem Forschungsprojekt soll untersucht werden, inwieweit anatomisches Vorwissen (z.B. über automatisch extrahierte Landmarken) und graphische Modelle in tiefe neuronale Netzwerke integriert werde können, um so deren Performanz und Erklärbarkeit zu verbessern. Dazu werden insbesondere Methoden aus dem Feld des Geometric Deep Learning herangezogen, die mit Hilfe von Graph-basierten neuronalen Netzwerken explizit auch Geometrien und darauf gelernte Merkmalsvektoren untersuchter Strukturen einbeziehen können.

Um den generellen Nutzen der entwickelten Methoden zu verdeutlichen, werden diese auf verschiedenen klassischen Gebieten der medizinischen Bildverarbeitung angewandt und evaluiert . Dazu gehören die anatomische Landmarkendetektion, die semantische Segmentierung von Organoberflächen und die Registrierung von stark deformierten 4D Volumina (z.B. Thorax CT während Ein- und Ausatmung).

Ausgewählte Publikationen

  1. Hansen L., Heinrich M.P.
    Sparse Structured Prediction for Semantic Edge Detection in Medical Images
    International Conference on Medical Imaging with Deep Learning (MIDL, 2019)