Supper & Supper GmbH - The Data Engineers
Data Engineers
Use Cases
Deep Learning Thorax-Röntgenbilder

Laden Sie hier unseren kompletten Anwendungsfall zu Thorax-Röntgen-Bildern herunter.

Projektziel

Projektziel war die Entwicklung eines computergestützten Erkennungs- und Diagnose-Algorithmus (CAD), der mögliche Typen von Thorax-Erkrankungen in Bruströntgenbildern identifiziert. Radiologen können so bei der Analyse der Röntgenbilder und der Krebsdiagnose unterstützt werden. Das entwickelte Modell hebt auffällige Bereiche in den Röntgenbildern hervor und liefert eine Klassifikation für Brusterkrankungstypen.

Datensatz

Das Projekt basiert auf einem Training-Datensatz von 100.000 anonymisierten Brust-Röntgenbildern und den entsprechenden Diagnosetypen.

Herausforderungen & Lösungen

Zuerst wurden die Röntgenbilder bearbeitet, sodass die Farbunterschiede kohärent zum Röntgenbildersatz waren und die auffälligen Bereiche besser hervorgehoben werden konnten.
 
Im Rahmen der Feature-Verarbeitung wurden Algorithmen angewandt, die die wesentlichen Eigenschaften aus den Röntgenbildern in verschiedenen Farb-Clustern gruppierten. Diese ermöglichten die Hervorhebung und Identifizierung der auffälligen Bereiche.
 
Basierend auf den extrahierten Features wurden die relevanten Charakteristika (wie Größe, Orientierung, Form und Lage) der verschiedenen Diagnosetypen ausgewählt. Dies ermöglicht eine geeignete Diagnoseklassifizierung.
 
Nach der Extrahierung und Auswahl der wichtigen Eigenschaften der Röntgenbilder wurden Machine und Deep Learning Algorithmen angelernt, um die auffälligen Bereiche in den Röntgenbildern zu erfassen und je nach gewählter Eigenschaft einem Diagnosetyp zu klassifizieren.

Projektergebnis

Das Deep Learning- und Bildverarbeitungs-Framework wurde erfolgreich im Röntgendatensatz angewandt und kann Radiologen bei der Identifizierung der verdächtigen Bereiche unterstützen und eine Entscheidungshilfe bei der Diagnose geben.