Verlaufskontrolle bei Krebs Maschinelles Lernen hilft Medizinern

Deep-Learning-Methoden helfen Knochenmetastasen zu entdecken, die in der klinischen Praxis übersehen werden können.
Deep-Learning-Methoden helfen Knochenmetastasen zu entdecken, die in der klinischen Praxis übersehen werden können.

Anhand von Bildaufnahmen wird überprüft, wie sich ein Tumor im Laufe einer Therapie entwickelt. Bisher waren Ärzte dabei auf ihr Augenmaß angewiesen. Die neue Software vom Fraunhofer MEVIS soll die Arbeit jedoch erleichtern. Dank maschinellem Lernen macht sie Veränderungen in den Bildern sichtbar.

Ist ein Tumor im Laufe einer mehrmonatigen Behandlung geschrumpft? Oder haben sich in der Zwischenzeit neue Geschwulste entwickelt? Um die Fragen beantworten zu können, setzten Ärzte die Computertomographie (CT) und die Magnetresonanztomographie (MRT) ein. Meist werden Tumoren anhand der Aufnahmen nur visuell bewertet, wobei es passieren kann, dass neue Geschwulste übersehen werden. »Unser Programmpaket erhöht die Sicherheit bei der Vermessung und Nachverfolgung der Tumoren«, erläutert Mark Schenk vom Fraunhofer-Institut für Bildgestützte Medizin MEVIS in Bremen. »Die Software kann erfassen, wie sich das Volumen eines Tumors im Laufe der Zeit verändert und unterstützt beim Aufspüren neuer Geschwulste.« Das Paket ist als Baukastensystem ausgelegt und kann Medizintechnik-Herstellern helfen, die Verlaufskontrolle zu automatisieren.

Der Computer lernt von selbst

Um die Ergebnisse zu verbessern, verwendet die Software Deep Learning – eine neue Art des maschinellen Lernens. Hilfreich ist das Verfahren unter anderem für die Segmentierung – der Arbeitsschritt, der bei CT- und MRT-Bildern die genauen Umrisse der Organe erfasst. Bei den bisher verfügbaren Segmentierungsprogrammen sucht der Rechner nach fest definierten Bildmerkmalen, etwa nach bestimmten Grauwert-Unterschieden. Laut Markus Harz, Forscher am MEVIS, kommt es dabei nicht selten zu Fehlern: »In solchen Fällen, ordnet die Software zum Beispiel der Leber Bereiche zu, die gar nicht zum Organ gehören.« Derartige Fehler müssen die Mediziner oft zeitaufwändig korrigieren.

Die neuen Deep-Learning-Ansätze versprechen bessere Ergebnisse und sollen den Ärzten kostbare Zeit sparen. Um die Funktionsweise ihrer selbstlernenden Software zu demonstrieren, trainierten sie die Fraunhofer-Forscher mit Hilfe von CT-Leberaufnahmen von 149 Patienten. Je mehr Datensätze das Programm analysierte, umso besser konnte es die Leberumrisse automatisch identifizieren.

Wie funktioniert Deep Learning?

Beim maschinellen Lernen durchforstet eine Software riesige Datenmengen und identifiziert dabei gemeinsame Merkmale, wie Muster und Gesetzmäßigkeiten. Nach demTraining kann das System unbekannte Datensätze von ähnlicher Art analysieren und bewerten. Zum Einsatz kommt die Methode unter anderem in der automatischen Erkennung von Bildern, Texten und Sprache. 

 

Verborgene Metastasen aufspüren

Ein weiteres Einsatzfeld ist die Bildregistrierung. Hier bringt eine Software verschiedene Aufnahmen, die zu unterschiedlichen Zeiten gemacht wurden, so zur Deckung, dass sie die Mediziner direkt vergleichen können. Hierbei kann sie das maschinelle Lernen bei einer besonders schwierigen Aufgabe unterstützen – wie dem Aufspüren von Knochenmetastasen in Aufnahmen des Oberkörpers, auf denen Hüftknochen, Rippen und Wirbelsäule zu sehen sind. Bislang werden Metastasen häufig aufgrund des Zeitdrucks übersehen. Doch Deep-Learning-Methoden können helfen, sie zuverlässig zu entdecken und damit die Therapiechancen zu verbessern.

Die Forscher des MEVIS setzen auf eine Kombination zwischen klassischen Ansätzen und Maschinenlernen: »Wir wollen bewusst das vorhandene Fachwissen nutzen, um das Deep Learning möglichst effektiv und zuverlässig einsetzen zu können«, betont Harz.