Die CAI-Forscher Mohammadreza Amirian und Dr. Javier Montoya haben mit ihren Teams eine neue Methode entwickelt, um das Problem der Datendiversität in der medizinischen Bildverarbeitung zu lösen. Die neu erarbeitete Methode mit dem Namen "PrepNet" verwendet Input Bilder, die unter verschiedenen Quellen, wie z.B. unterschiedliche Bildaufnahmetechniken, gesammelt wurden. Zusätzlich erhält es einen Identifikator für diese verschiedenen Konditionen, wie z.B. Quelldomain. PrepNet wird so trainiert, dass es jeden Input in einen vorverarbeiteten Bild-Output desselben medizinischen Inhalts umwandelt, für den die verschiedenen Bildaufnahme-Umstände nicht mehr durch einen Klassifikator identifiziert werden können - d.h. PrepNet homogenisiert das Erscheinungsbild der Bilder, die unter wechselnden Aufnahmebedingungen aufgenommen wurden, während ihre semantische Bedeutung intakt bleibt. Die Methode wurde an einem Anwendungsfall der COVID-19-Diagnose aus Thorax-CT-Bildern evaluiert und zeigt Potenzial für zukünftige Anwendungen. Gleichzeitig schärft die Studie das Bewusstsein für Fragen der Datenqualität in der Forschung zum maschinellen Lernen: Öffentlich verfügbare COVID-19-Datensätze sind von so geringer Qualität, dass die Methode ihr volles Potenzial noch nicht ganz entfalten kann.

Die neue Forschungsarbeit wurde ursprünglich von ZHAW digital digital futures fund mit zwei Projekten gefördert und anschliessend in einer Bachelorarbeit von Jonathan Gruss und Yves D. Stebler, aktuellen Informatik-Absolventen der ZHAW, abgeschlossen. Die Ergebnisse wurden kürzlich am 14th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics vorgestellt. Lesen Sie den vollständigen Artikel hier: "PrepNet: ein Faltungs-Autokodierer zur Homogenisierung von CT-Scans für datenübergreifende medizinische Bildanalysen".