Core Concepts
Der Einsatz von Deep Learning zur direkten Klassifizierung von Rohdaten aus der medizinischen Bildgebung wie Radiologie, Sonographie und Elektrophysiologie könnte genauere Vorhersagen und Diagnosen ermöglichen, ist aber aufgrund verschiedener Herausforderungen derzeit noch nicht praktikabel.
Abstract
Der Artikel diskutiert den Einsatz von Deep Learning in der medizinischen Bildgebung und analysiert die Machbarkeit einer direkten Klassifizierung von Rohdaten aus Scannern und Messgeräten im Vergleich zur üblichen Verarbeitung von generierten Bildern.
Bildgebende Verfahren wie Röntgen, Computertomographie (CT), Magnetresonanztomographie (MRT), Positronenemissionstomographie (PET), Einzelphotonen-Emissionscomputertomographie (SPECT), Ultraschall (US) und andere haben jeweils Vor- und Nachteile. Deep Learning mit neuronalen Netzwerken wird zunehmend in der Radiologie eingesetzt, vor allem für die Analyse und Klassifizierung von Bildern.
Die meisten derzeitigen Deep-Learning-Anwendungen arbeiten jedoch auf bereits generierten medizinischen Bildern, unterstützen die Bildgenerierung oder identifizieren spezifische Substanzmarker in Spektrogrammen. Der Autor argumentiert, dass der Einsatz neuronaler Netzwerke direkt auf den Rohdaten der Messgeräte genauere Informationen und damit präzisere Ergebnisse liefern könnte.
Der Artikel erläutert die Hauptanwendungen von Deep Learning in der Radiologie, Sonographie und Elektrophysiologie und diskutiert die Machbarkeit des vorgeschlagenen Ansatzes der direkten Rohdatenverarbeitung. Dabei werden die folgenden Aspekte beleuchtet:
Merkmalsextraktion und Klassifizierung aus Bildern
Bildsynthese aus gesammelten Daten
Deep Learning mit Spektrogrammen
Deep Learning in der Radiogenomik
Herausforderungen bei Ultraschall und neuronalen Netzwerken
Deep Learning aus Elektrogrammen
Obwohl der direkte Einsatz von Deep Learning auf Rohdaten aus medizinischen Geräten vielversprechend erscheint, gibt es derzeit noch erhebliche Hürden, die überwunden werden müssen. Dazu gehören der Mangel an verfügbaren Rohdaten, die hohen Speicher- und Rechenanforderungen sowie uneinheitliche Datenformate. Der Artikel identifiziert die fünf wichtigsten Barrieren und mögliche Lösungsansätze.
Stats
Die Verarbeitung von Rohdaten aus MRT-Scans erfordert etwa 4-5 GB pro MP2RAGEME-Sequenz und 25 GB pro Proband.
Quotes
"Feeding raw signal data, instead of already constructed images, into neural networks, together with their labelled disorder or medical abnormality, possibly multiple disorders or irregularities labelled by experienced specialists based on historical records, could help with better automatic machine pre-diagnoses, the doctor still having the final word."