SISDAL - Semantische Bildsegmentierung durch tiefes aktives Lernen in medizinischen Bildgebungsanwendungen

Künstliche Intelligenz (KI) hat kürzlich Innovationen in vielen praktischen und kommerziellen Anwendungen gebracht, die oft Teil unseres täglichen Lebens geworden sind. Der große Erfolg von KI lässt sich im Wesentlichen darauf zurückführen, dass zunehmend Deep-Learning Systeme, insbesondere Deep Convolutionall Networks (CNNs), viele Probleme sehr effizient löse lassen. Daher is auch die Weiterentwicklign von Deep Learning Verfahren ein wesentlicher Forschungsinhalt führender akademischer Einrichtungen geworden, wobei auch LBI-CFI und ICG zunehmend in diesem Bereich arbeiten. Ebenso wie weltweit führende IT-Unternehmen versucht der KMU-Partner unseres Konsortiums diese Technologie auch Kunden zugänglich zu machen, die wenig oder keine Kenntnisse im Bereich künstliche Intelligenz haben. Eine wesentliche Fragestellung des maschinellen Lernens in medizinischen Bildanalyse und Computervision besteht darin, automatisch semantische Beziehungen zwischen Objekten/Strukturen einer Szene zu verstehen. Die Verwendung von CNNs für die semantische Segmentierung hat die Anwendbarkeit und die Genauigkeit dieser Applikation stark weiterentwickelt. Auf der negativen Seite ist allerdings zu erwähnen, dass der Erfolg jedoch entscheidend von sehr genauen Annotation sehr großer Datenmengen abhängt, die für das Training eines tiefen neuronalen Netzwerks benötigt werden. Dies ist aber mit einem sehr großen zeitaufwendingen und somit teuren manuellen Aufwand verbunden. Für viele Unternehmen ist daher der Einsatz modernster maschineller Lerntechnologien nicht möglich. Glücklicherweise ist für viele relevante Probleme aber oft eine große Menge von unannotierten Daten verfügbar. Die Anzahl der Beispiele, die ein Domänenexperte kommentieren muss, ohne die Leistungsfähigkeit der maschinellen Lernmethode zu beeinträchtigen, wird dadruch deutlich reduziert. Insbesondere ist es durch Active Learning möglich, Expertenwissen direkt in den Lernprozess einfließen zu lassen und den Aufwand damit deutlich zu reduzieren. Active Learning wurde noch nicht im Zusammenhang mit Deep Learning zur semantischen Segmentierung verwendet, da Deep Learning kein Qualitätsmaß der Vorhersagen bietet, die in der aktiven Lernschleife jedoch benötigt werden, um neue Beispiele für Annotation und für das Re-Training auszuwählen. Mit diesen wissenschaftlichen Fragen und den technischen Herausforderungen der Kombination von Active Learning und Deep Learning versucht dieses Projekt erstmals, das Active Learning und kommerziellen Anwendungen näher zu bringen. Das erwartete Ergebnis dieses Projekts ist ein Forschungsprototyp auf Level TRL 4 für semantischen Bildsegmentierung basierend auf Deep Active Learning. Auf lange Sicht könnte dieser Forschungsprototyp die Grundlage für ein kommerzielles Produkt sein, das die Zeit reduziert, die ein menschlicher Experte für die Annotation benötigt, und so die Kosten für die Bereitstellung moderner maschineller Lernmethoden für die Kunden erheblich senken. Darüber hinaus könnte die Zeit bis zur Produktion erheblich verkürzt werden, da nur ein kleiner Teil großer Trainingsdatensätze annotiert werden muss. Dies kann dazu führen, dass Unternehmen unsere entwickeltes Framework nutzen, um ihre Wettbewerbsfähigkeit und Attraktivität zu erhöhen und möglicherweise neue Marktchancen zu eröffnen.