2019-01-04 23:54:11 +0000 2019-01-04 23:54:11 +0000
2
2

Maschinelles Lernen für medizinisches Bildscannen

Ich bin auf der Suche nach einem interessanten Thema aus dem Bereich des maschinellen Lernens und der Computer Vision. Genauer gesagt geht es um die Erforschung, wie Computer Vision angewendet werden kann, um medizinische Bildscans zu klassifizieren und/oder den zukünftigen Zustand eines Scans vorherzusagen. Ich bin kein Mediziner, also versuche ich, das Problem in etwas Erreichbares zu fassen, um das Thema Bildscannen etwas mehr zu erforschen.

Was ich gerne wissen würde, ist:

Was ist der aktuelle Stand der Technik beim Bildscannen?

Was sind ihre Schwächen ?

Ich habe viele Unbekannte und bin unsicher, wo ich anfangen soll, um ein Grundwissen zu erlangen.

Buchempfehlungen sind willkommen, zum Beispiel scheint dieses Buch ein guter Startpunkt zu sein : Zum Beispiel das Buch “Medical Imaging for the Health Care Provider: Practical Radiograph Interpretation ” : https://www.amazon.com/Medical-Imaging-Health-Care-Provider-ebook/dp/B01HUNOJPG

Der Datensatz, den ich für diese Forschung verwenden möchte, ist “DeepLesion” https://www.nih.gov/news-events/news-releases/nih-clinical-center-releases-dataset-32000-ct-images

Update : Dies scheint ein guter Anfang zu sein : Medical Imaging - image quality?

Update 2:

Ich möchte die Bild- und kommentierten Daten von DeepLesion nutzen, um eine KI zu entwickeln, die den zukünftigen und/oder aktuellen Zustand eines Scans diagnostiziert. Der “zukünftige Zustand eines Scans” bezieht sich auf die Vorhersage des zukünftigen Zustands von Scan-Attributen . Die Attribute sind das, was im annotierten Datensatz von DeepLesion enthalten ist, der den Läsionsdurchmesser, das Geschlecht des Patienten und das Alter des Patienten enthält. Ich werde also versuchen, 1 oder eine Kombination dieser Attribute vorherzusagen. 

In diesem Stadium ziele ich nicht darauf ab, dass das KI-Modell eine Diagnose oder Prognose durchführt, sondern eine Vorhersage von Attributen bereitstellt, die den Arzt bei der Durchführung der Diagnose oder Prognose unterstützt. Da DeepLesion CT-Scans enthält, ist der Arzt in diesem Fall ein Röntgenassistent. 

Andere Arten von Vorhersagen/Klassifizierungen auf höherer Ebene, die ich in Betracht ziehen könnte, sind die Erkennung von Leber-, Lungen- und Nierenläsionen.

Die Art der Vorhersagen hängt von der Art der verfügbaren Daten ab. 

Eine weitere Forschungsfrage, die ich habe, ist, welche Art von Vorhersagen für den Arzt am wertvollsten sind. Dies wird mir helfen, meine Forschung zu fokussieren.

Antworten (2)

5
5
5
2019-01-05 17:36:28 +0000

Gebräuchliche bildgebende Diagnoseverfahren sind:

  • Ultraschall
  • Röntgen
  • Computertomographie (CT)
  • Magnetresonanztomographie (MRT)
  • Szintigraphie oder Radionuklidszintigraphie (Injektion eines radioaktiven Tracers in eine Vene, Abwarten, bis er sich in einem bestimmten Organ, z.B. der Schilddrüse, angesammelt hat, und Aufnehmen eines Bildes der Tracer-Verteilung mit einem Scanner)

Alle genannten Techniken haben mehrere Varianten, z.B. Doppler-Ultraschall, eine MRT mit Kontrastmittel, etc. In der Wikipedia gibt es unter Medical Imaging ein ausführlicheres “Verzeichnis” der Techniken mit Links zu den einzelnen Artikeln.

Auf Biology SE gibt es eine Liste von Websites, die Open-Access-Bilder zur Verfügung stellen, von denen einige mit Fallbeschreibungen versehen sind. Bevor Sie ein Buch kaufen, empfehle ich Ihnen dringend, sich ein klares Bild darüber zu machen, welche Arten von Büchern für Ihren Zweck geeignet sind. Ein Buch, das für einen Arzt oder Medizinstudenten ausgezeichnet sein kann, kann für Sie nutzlos sein. Ich empfehle auch, dass Sie sich für den Anfang EINE bildgebende Technik aussuchen und diese ein wenig recherchieren, anstatt sich mit allen bildgebenden Verfahren auf einmal zu beschäftigen; die Probleme bei der Ultraschalluntersuchung sind deutlich anders als bei der CT.

Beispiele für Schwächen der bildgebenden Verfahren:

  • Zumindest ein CT und ein MRT sind teuer. & - Ein Röntgenbild kann nur Läsionen zeigen, die deutlich mehr oder weniger röntgendicht sind als das umgebende Gewebe (z. B. kann es nur kalziumreiche Gallensteine zeigen, andere nicht).
  • Eine Kernspintomographie der Gallenblase kann nicht zuverlässig zwischen nicht krebsartigen Polypen und Krebserkrankungen unterscheiden Radiografien ).
  • Das häufigste Problem ist wahrscheinlich, dass trotz hoher Sensitivität (Fähigkeit, eine Läsion zu erkennen), die Spezifität (Fähigkeit, eine genaue Art der Läsion aufzudecken/vorzusagen) von CT- und MRT-Scans gering sein kann.

Eine häufige Frage für einen Mediziner, die nach einer Bildgebung oft ungeklärt bleibt, ist: Ist die Läsion krebsartig oder nicht oder wie wahrscheinlich ist es, dass sie sich zu einem Krebs entwickelt. Zum Beispiel sind Gallenblasenpolypen, die größer als 10 mm sind, deutlich wahrscheinlicher krebsartig als die kleineren, aber es ist nicht klar, ob das Risiko z.B. nach 5 mm oder nach 15 mm steigt. Außerdem kann die Bildgebung manchmal nicht zeigen, ob sich der Krebs auf benachbarte Organe ausgebreitet hat.

EDIT:

Um eine Läsion auf einem CT-Bild vorherzusagen, muss man wissen, wie ein normales CT-Bild aussieht und wie eine Läsion aussieht. Das Wissen darüber, was eine Läsion ist, stammt aus Vergleichen von vielen CT-Bildern und den tatsächlichen physikalischen Gegebenheiten, die während einer Operation entdeckt werden. Um dieses Wissen nun über das hinaus zu erweitern, was man mit eigenen Augen auf einem CT-Bild sehen kann, müsste man wiederum viele CT-Bilder (mit Hilfe eines Computerprogramms) mit Operationsergebnissen vergleichen.

Ich stelle mir vor, dass dies ein Projekt erfordern würde, an dem mehrere erfahrene Radiologen, Chirurgen und Computerexperten beteiligt wären. _Ein Projekt müsste sich auf eine einzige Frage konzentrieren, zum Beispiel: Was sind Prädiktoren für Gallenblasenkrebs bei abnormalen Gallenblasenwucherungen, die auf einem CT-Bild erkannt werden? Tausende von CT-Bildern und Operationsergebnissen müssten dann verglichen werden, um eventuelle Zusammenhänge zu finden.

1
1
1
2019-03-02 20:53:07 +0000

Als Forscher, der auch in der medizinischen Bildgebung tätig ist, möchte ich eine Empfehlung abgeben. Sie geben an, dass Sie an der Vorhersage des Läsionsdurchmessers, des Patientengeschlechts und des Patientenalters aus den Scans interessiert sind. Wenn jedoch ein Radiologe einen Scan liest, kennt er bereits das Geschlecht und das Alter des Patienten, da diese Informationen in der Krankenakte enthalten sind. Sie kennen auch den Grund für den Scan. Zum Beispiel werden sie oft eine Anzeige wie “Frau Smith ist eine 55-jährige Frau mit einer Vorgeschichte von Lungenkrebs” zusammen mit dem Scan selbst sehen. (Und sie können auf die Krankenakte des Patienten klicken und alles in der Krankenakte ansehen, wenn sie wollen.) Ich denke also, dass es besser ist, Dinge nicht vorherzusagen, die dem Arzt bereits bekannt sind. Es gibt viele andere coole Aufgaben in der medizinischen Bildgebung, die man mit dem DeepLesion-Datensatz erledigen kann, z. B. die Vorhersage, ob eine Läsion im Scan vorhanden ist.

Hier sind einige andere Ressourcen, die Ihnen helfen könnten:

  1. Überblick über die grundlegende Anatomie des Brustkorbs für die Radiologie und Anatomie des Abdomens für die Radiologie
  2. Radiologie Begriffe der Lage
  3. Wie man normale Thorax-Röntgenbilder liest . Röntgenaufnahmen des Brustkorbs sind keine CTs, aber wenn Sie gerade erst etwas über medizinische Bildgebung lernen, ist es einfacher, mit Röntgenaufnahmen des Brustkorbs zu beginnen und dann zu CTs überzugehen
  4. Interpretation von abdominalen CTs ](https://www.youtube.com/watch?v=Eg3GeUmOeYE)