Robert Klatt
Ein neues Machine-Learning-Verfahren verbesserte die Bildqualität der optoakustischen Bildgebung deutlich. Die Technologie könnte auch genutzt werden, um die Bildqualität in anderen Bereichen zu verbessern zum Beispiel für die Krebsdiagnose.
Zürich (Schweiz). Künstliche Intelligenz (KI) wird in den nächsten Jahren nicht nur in der Ökonomie, sondern auch in der Medizin für große Veränderungen sorgen. Neben der Auswertung von Bildern, bei der eine KI bereits viele Ärzte bei der Erkennung von schwarzen Hautkrebs übertreffen konnte, könnten per KI gesteuerte Roboter in Zukunft sogar komplizierte Herzoperationen übernehmen.
Wissenschaftler der ETH Zürich und der Universität Zürich haben nun im Fachmagazin Nature Machine Intelligence einen Artikel veröffentlicht, der eine neue Methode des maschinellen Lernens vorstellt, die die Ergebnisse der optoakustische Bildgebung verbessert. Das noch junge Verfahren wird unter anderem dafür genutzt, um Brustkrebs und Hautkrankheiten zu erkennen und um die Gehirnaktivität und die Blutgefäße von Menschen sichtbar zu machen.
Das Verfahren der optoakustischen Bildgebung ist vergleichbar mit der Ultraschallbildgebung und nutzt Laserimpulse, die durch das menschliche Gewebe geschickt werden. Anschließend werden sie dort in Ultraschallwellen umgewandelt und zurückgeschickt. Sensoren empfangen diese Ultraschallwellen dann und erzeugen aus den Daten ein Bild.
Die mit der optoakustische Bildgebung erreichte Qualität ist stark abhängig von der Anzahl der genutzten Sensoren. Mit dem nun in der Schweiz entwickeltem Verfahren ist es möglich die Bildqualität beizubehalten und dabei die Anzahl der benötigten Sensoren zu reduzieren. Dies erhöht die Bildgebungsgeschwindigkeit deutlich und reduziert die Herstellungskosten der Geräte. Alternativ kann die Bildqualität bei gleichbleibender Anzahl der Sensoren nochmals erhöht werden.
Genutzt wurde von den Wissenschaftlern ein selbst entwickeltes Optoakustik-Gerät mit 512 Sensoren, das eine sehr hohe Bildqualität liefert. Bilder dieses Gerätes wurden dann durch ein künstliches neuronales Netzwerk ausgewertet, das anhand der Trainingsdaten lernte wie hochwertige optoakustische Bilder aussehen. Daraufhin erzeugten die Forscher eine Reihe von Bildern, bei denen nur 128 beziehungsweise 32 der ursprünglich 512 Sensoren genutzt wurden.
Das Ergebnis waren qualitativ deutlich schlechtere Bilder mit streifenartigen Störsignalen. Nach der Bearbeitung des zuvor trainierten Machine-Learning-Systems, das die Störsignale herausfiltern konnte, erhöhte sich die Bildqualität fast auf das Niveau der mit 512 Sensoren hergestellten Bilder.
Neben der optoakustische Bildgebung kann das Machine-Learning-System auch die Arbeit von Ärzten in anderen Bereichen unterstützten, da nicht die Rohdaten gebraucht werden, sondern nur das fertige Bild analysiert wird. Laut Studienleiter Daniel Razansky „kann die Technologie generell dazu verwendet werden, um mit weniger Rohdaten Bilder von guter Qualität herzustellen.“
Nature Machine Intelligence, doi: 10.1038/s42256-019-0095-3
