Ärzte müssen zunehmend mit komplexen medizinischen Bilddaten arbeiten und diese berücksichtigen,
um Diagnosen zu erstellen und Therapien zu überwachen. Deshalb wurden in den letzten Jahren immer
mehr selbstlernende Computeralgorithmen entwickelt, welche die Datenfluten automatisch durchforsten
und nach Auffälligkeiten suchen, um dadurch künftig die Treffsicherheit von computergenerierten Diagnosen
zu steigern. Damit die Radiologen eine genaue Diagnose stellen können, benötigen diese Vergleichsaufnahmen
zur untersuchten Körperregion. Eine computerbasierte Analyse und Zuordnung der
anatomischen Region kann einen hohen Wert für den Radiologen haben, indem sie genutzt wird für das
automatische Heraussuchen von Voraufnahmen zur aktuell analysierten Körperregion. Basierend auf
dem wird in einem ersten Schritt eine Literaturrecherche durchgeführt, in welcher die wichtigsten Erkenntnisse
aus dem bisherigen Forschungsstand zusammengetragen werden. Ein vielversprechender
Ansatz ist das sogenannte Deep Learning mithilfe von künstlich neuronalen Netzwerken. Diese darin
enthaltenen Algorithmen können mit verschieden Testdatensätzen immer weiter verbessert werden, sodass
in Zuge dessen CT-Bilder mit der Zeit immer genauer klassifiziert werden können. Prototypen
solcher Software der neuen Generation werden in der Schweiz erstmals in der Klinik für Radiologie und
Nuklearmedizin des Universitätsspitals Basel für den klinischen Einsatz evaluiert. Durch diese spannende
Ausgangslage ergibt sich ein zukunftsweisendes und bedeutendes Forschungsfeld, an welchem
exploriert werden kann.
Die Frage in der vorliegenden Arbeit lautet nun, ob es möglich ist einen Algorithmus zu entwickeln,
welcher die Körperregion eines CT-Schnittbildes automatisch klassifizieren kann.
Das Kantonsspital Luzern hat dafür CT-Datensätze zur Verfügung gestellt. In einem ersten Schritt
wurde ein Deep-Learning-Modell für eine Binär-Bildklassifikation aufgebaut. Dabei können zwei verschiedene
Körperregionen voneinander unterschieden werden. In ersten Tests konnte der Algorithmus
die Körperregionen Thorax und Abdomen voneinander unterscheiden, jedoch nicht mit der gewünschten
Genauigkeit. Nach dieser Erkenntnis wurden weitere Recherchearbeiten durchgeführt, durch welche ein
weiterer Lösungsansatz entdeckt wurde, bei dem es sich ebenfalls um ein Convoloutional Neural Network
handelt, welches den menschlichen Körper in ein Koordinatensystem einteilt. Dabei wird für jedes
einzelne Schnittbild ein Score errechnet, mit welchem auf die vorhandene Körperregion geschlossen
werden kann. Durch verschiedene Tests konnten mit dieser Methode die Körperregionen des Oberkörpers
sehr genau klassifiziert werden. Während der Entwicklung wird nach dem Vorgehensmodell des
evolutionären Prototypings vorgegangen. In dieser Arbeit werden die genauen Rechercheergebnisse und
Lösungsansätze vorgestellt und näher behandelt. (aerzteblatt.de. 2017, GIT Verlag, 2016, Weikert,
2019)
Physicians are increasingly required to work with and consider complex medical image data in order to
make diagnoses and monitor therapies. Therefore, in recent years, more and more self-learning computer
algorithms have been developed that automatically forest the flood of data and search for anomalies in
order to increase the accuracy of computer-generated diagnoses in the future. In order for radiologists
to be able to make an accurate diagnosis, they need comparative images of the examined body region.
A computer-based analysis and allocation of the anatomical region can have a high value for the radiologist
by being used for the automatic search for previous images of the currently analysed body region.
Based on this, in a first step a literature search is carried out in which the most important findings from
the current state of research are compiled. One promising approach is deep learning using artificial
neural networks. These algorithms can be continuously improved with different test data sets, so that
CT images can be classified more precisely over time. Prototypes of such new-generation software are
being evaluated for clinical use for the first time in Switzerland at the Clinic for Radiology and Nuclear
Medicine at the University Hospital of Basel. This exciting starting position results in a future-oriented
and significant field of research in which exploration is possible.
The question in the present work is whether it is possible to develop an algorithm that can automatically
classify the body region of a CT sectional image.
The Kantonsspital Luzern has provided CT data sets for this purpose. In a first step, a deep learning
model for binary image classification was developed. Two different body regions can be distinguished
from each other. In initial tests, the algorithm was able to distinguish between the thorax and abdomen
body regions, but not with the desired accuracy. After this finding, further research work was carried
out, which led to the discovery of another solution, which is also a convoloutional neural network that
divides the human body into a coordinate system. A score is calculated for each individual sectional
image, with which the existing body region can be inferred. By different tests the body regions of the
upper body could be classified very exactly with this method. During development, the procedure model
of evolutionary prototyping is used. In this thesis, the exact research results and solution approaches are
presented and discussed in more detail.