Projekt MyDeepLearn

Die Analyse großer Mengen von Bilddaten ist sehr aufwendig und geschieht meist manuell. Dabei ist Fachwissen erforderlich, insbesondere bei biomedizinischen Bildern. Sogenannte »Convolutional Neural Networks« (CNNs) haben im medizinischen Bereich ein enormes Potenzial, da sie in der Lage sind, wichtige Merkmale automatisch zu erfassen. Um diese Technologie einer Vielzahl von Nutzern zugänglich zu machen, haben Fraunhofer-Forschende die intuitive, webbasierte End-to-End-Pipeline MyDeepLearn entwickelt: Dabei wird der Nutzer fast von Anfang an durch eine teilautomatisierte, leicht zugängliche, bedienungsfreundliche Oberfläche unterstützt, die den Zeitaufwand und die manuelle Arbeit verringert. Mit dieser End-to-End-Webanwendung können mithilfe von neuronalen Netzen beispielsweise Hautveränderungen in Bildern von Melanomen erkannt und der Hautkrebs klassifiziert oder Atemwege in Lungenschnittbildern automatisch segmentiert werden. 

Wertvolle Unterstützung bei der Früherkennung 

MyDeepLearn verbindet die CNNs im Backend mit der Web-Anwendung im Frontend. Sie stellt den Nutzern ein vektorbasiertes Bearbeitungswerkzeug zur Nachbearbeitung von Vorhersagen und zum Einfügen von Anmerkungen zur Verfügung, visualisiert Daten und bietet verschiedene Auswertungsmethoden. Forschende und Ärzte werden bei der Auswertung großer Bilddatensätze und bei der Früherkennung unterstützt – insbesondere auch, wenn nur wenige annotierte Daten vorliegen, wie es im medizinischen Bereich häufig der Fall ist.

»Human-in-the-Loop«-Ansatz

Die Webanwendung kann die CNNs iterativ mit einem interaktiven »Human-in-the-Loop«-Ansatz verbessern, d. h. der Nutzer wird in die Auswertung eingebunden und kann diese aktiv verändern. Damit bietet das Verfahren dem Nutzer eine sich ständig verbessernde Technologie, während gleichzeitig der Datensatz kontinuierlich erweitert wird, um die Genauigkeit der Technologie weiter zu erhöhen.