Deep Learning in der Radiologie

· von Martin Geissmann

Beitrag als PDF→

Was ist Deep Learning?

Deep Learning ist ein Teilbereich der künstlichen Intelligenz, wobei einfache miteinander verbundene Elemente zur Mustererkennung aus Daten benutzt werden, um dadurch komplexe Probleme zu lösen. Deep Learning Algorithemen haben eine bahnbrechende Performanz in einer Vielzahl anspruchsvoller Aufgaben bewiesen, insbesondere auch im Bezug auf Bilddaten. Oftmals wird die menschliche Leistung erreicht oder gar übertroffen. Die Radiologie deren Hauptaufgabe darin besteht, Informationen aus Bilddaten zu interpretieren, ist ein prädestinierter Anwendungsbereich von Deep Learning, was durch die zunehmende Forschung in diesem Bereich unterstrichen wird. (Deep learning is a branch of artificial intelligence where networks of simple interconnected units are used to extract patterns from data in order to solve complex problems. Deep learning algorithms have shown groundbreaking performance in a variety of sophisticated tasks, especially those related to images. They have often matched or exceeded human performance. Since the medical field of radiology mostly relies on extracting useful information from images, it is a very natural application area for deep learning, and research in this area has rapidly grown in recent years.) [Mazurowski, Buda, Saha, Bashir, 2018]1

Deep Learning ist ein Teilgebiet der künstlichen Intelligenz und Machine Learning, welches auf verbundenen Ebenen basiert für komplizierte Berechnungen. Deep Learning hat sich als besonders leistungsstark mit Big Data erwiesen. Insbesondere mit Bilddaten erlaubt es Muster zu erkennen, wobei die Resultate für Klassifizierung (z.B. binär krank/nicht krank), Bildaufteilung (segmentation, z.B. Erkennung von Hirntumor in MRI Kopf) oder der Erkennung bestimmter Merkmale (insb. die Erkennung bestimmter Interessensbereiche gegeben eine klinische Fragestellung).

Convolutional Neural Networks (künstliche convolutional neuronale Netzwerke) sind die am meisten verwendeten Modelle im Deep Learning (insb. mit Bilddaten). Convolutions sind Funktionen welche sich systematisch durch die Daten durcharbeiten, beispielsweise ein Bild n um n Pixel, und angibt (sich aktiviert) wenn bestimmte Muster vorhanden sind. Da Computer in den letzten Jahren leistungsfähiger und günstiger wurden, kommen grössere Modelle (im Sinne von mehr Ebenen) vermehr zum Einsatz, sowohl in wissenschaftlichen Arbeiten als in der Branche.

Figure: Segmentation. Tran (2018)

Figure: Segmentation. Tran (2018)2

Wie kommt Deep Learning in der Radiologie zur Anwendung?

Es besteht Einigkeit darüber, dass künstliche Intelligenz (KI) in der Zukunft der Radiologie eine wesentliche Rolle spielen wird. Viele Modelle übertreffen bereits heute die Leistung von Radiologen bei bestimmten Aufgaben bezüglich Geschwindigkeit und Genauigkeit. Während spezifischen Aufgaben, wie z.B. die Identifizierung einer Lungenentzündung im Röntgen im Vergleich zum breiten Wissen, welches von einem Radiologen verlangt wird, recht einfach sind, werden Probleme, die KI bewältigen kann, in Zukunft immer komplexer werden.

Figure: Faster R-CNN: Erkennung und Klassifizierung. medium.com/ @jonathan_hui (2018)

Figure: Faster R-CNN: Erkennung und Klassifizierung. medium.com/ @jonathan_hui (2018)3

Eine einfache Anwendung ist Klassifizierung: Gegeben ein Bild möchten wir, dass das Modell dieses der richtigen Kategorie zuteilt, beispielsweise die An- oder Abwesenheit einer Abnormalie oder radiologisches Bildmaterial der richtigen Kategorie zuteilen zwecks Organisation. Publikationen sinden sich zur Klassifizierung von Prostata MRI4 oder die Identifikation von Tuberkulose.5

Segmentation geht einen Schritt weiter und unterteilt ein Bild in verschiedene Regionen. Dies erlaubt es verschiedene Bereiche oder Objekte zu erkennen. In der radiologischen Anwendung kommt dies meist bei Organen oder Läsionen zur Anwendung.6

Drittens ist hier die Erkennung aufgeführt. Dies ist die Aufgabe bestimmte Objekte zu finden und identifizieren, meist durch eine Hervorhebung/Umrahmung innerhalb eines Bildes. Das populäre YOLO Modell wurde etwa auch für medizinische Applikationen verwendet.7

Pneumonie Erkennung mittels Thorax Röntgen

Als einfaches praktisches Beispiel, soll hier eine Klassifizierung vorgestellt werden. Der Datensatz von 5’000 Fällen ist öffentlich auf Kaggle verfügbar (Paul Mooney 2018). Die Röntgen unterteilen sich in zwei Kategorien: Pneumonie oder kein Befund.

Wir greifen erst auf ein einfaches Netz zurück und anschliessend auf Inception V3 (transfer learning). Der Code basiert auf dieser Repository.

Weiteres Material


  1. Maciej A. Mazurowski, Mateusz Buda, Ashirbani Saha, Mustafa R. Bashir (2018): Deep learning in radiology: an overview of the concepts and a survey of the state of the art. arXiv:1802.08717

  2. Tran, P. V., 2016. A fully convolutional neural network for cardiac segmentation in short-axis MRI. arXiv:1604.00494

  3. https://medium.com/@jonathan_hui/image-segmentation-with-mask-r-cnn-ebe6d793272

  4. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5684419/

  5. https://www.ncbi.nlm.nih.gov/pubmed/28436741

  6. https://arxiv.org/abs/1704.06176

  7. https://www.semanticscholar.org/paper/Automated-Breast-Cancer-Diagnosis-Using-Deep-and-of-Platania-Shams/c8831708aa274a918acd18b84f093a4c731428c9