Forschung: Deep-Learning-Modell hilft bei Glaukom-Screening

Automatische Erkennung häufiger Augenkrankheiten

Eine Gruppe von Forschern der Tohoku-Universität hat ein neues Deep-Learning-Modell vorgestellt, das krankheitsbezogene Merkmale aus Augenbildern erkennen kann. Dieses „leichtgewichtige“ KI-Modell kann mit einer kleinen Anzahl von Bildern trainiert werden, sogar mit solchen mit einem hohen Grad an Rauschen, und ist ressourceneffizient, d. h. es kann auf mobilen Geräten eingesetzt werden.

Die Erkennung von Krankheiten erfordert eine präzise Messung von Tumoren, Gewebevolumen oder anderen Arten von Anomalien. Dazu muss ein Deep-Learning-Modell einzelne Bilder betrachten und in einem Prozess, der als Segmentierung bezeichnet wird, Grenzen markieren. Eine genaue Vorhersage erfordert eine hohe Rechenleistung, sodass sie auf mobilen Geräten nur schwer eingesetzt werden können.

Modell erkennt präzise und schnell Bildanomalien im Zusammenhang mit Augenkrankheiten

„Bei DL-Modellen gibt es immer einen Kompromiss zwischen Genauigkeit, Geschwindigkeit und Rechenleistung“, sagt Toru Nakazawa, Mitautor der Studie und Professor an der Abteilung für Augenheilkunde der Tohoku-Universität. „Unser entwickeltes Modell hat eine bessere Segmentierungsgenauigkeit und eine bessere Reproduzierbarkeit des Modelltrainings, sogar mit weniger Parametern, was es im Vergleich zu anderen kommerziellen Softwares effizienter und leichter macht.“

Anzeige

Professor Nakazawa, Associate Professor Parmanand Sharma, Dr. Takahiro Ninomiya und Studenten der Abteilung für Augenheilkunde arbeiteten mit Professor Takayuki Okatani von der Graduate School of Information Sciences der Tohoku-Universität zusammen, um das Modell zu entwickeln.

Mithilfe von Geräten mit geringem Aufwand haben sie Messungen der fovealen avaskulären Zone, einer Region mit der Fovea centralis in der Mitte der Netzhaut, durchgeführt, um das Screening auf Glaukome zu verbessern. „Unser Modell ist auch in der Lage, Sehnervenkopf und Blutungen in Fundusbildern mit hoher Präzision zu erkennen und zu segmentieren“, fügte Nakazawa hinzu.

Die Gruppe hofft, das leichtgewichtige Modell in Zukunft auch für das Screening auf andere häufige Augenstörungen und andere Krankheiten einsetzen zu können.

Quelle: Tohoku-Universität