Machine Learning in Axial SpondyloArthritis

Das Projekt MaLIAS adressiert die Entwicklung und Validierung eines Expertensystems zur Diagnoseunterstützung für die automatisierte Erkennung und Bewertung von pathologischen Veränderungen im Achsenskelett mit Fokus auf die axiale Spondyloarthritis (axiale SpA, auch Morbus Bechterew genannt). Hierzu werden Daten der Magnetresonanztomographie verbreiteter MRT-Scanner unter Verwendung von Verfahren des Maschinenlernens automatisiert verarbeitet und ausgewertet. Hierbei stehen insbesondere die Sakroiliakalgelenke sowie die Wirbelsäule im Fokus der Untersuchung. Es wird weiterhin betrachtet, inwiefern der Einsatz eines solchen Systems zur Entscheidungsunterstützung auch zum Screening bzw. dem Monitoring des Krankheitsverlaufes geeignet ist.

MRT-Slice

MRT-Slice

Berechnete Wirbelmaske

Berechnete Wirbelmaske

Ergebnis der Segmentierung und Datensatz zur eigentlichen Klassifizierung/Befundung

Ergebnis der Segmentierung und Datensatz zur eigentlichen Klassifizierung/Befundung

Maschinelles Lernen für die nachhaltige Logistik (MaLog)

Im Rahmen des von der IFAF geförderten Projekts MaLog wurde in Kooperation mit der HTW Berlin sowie der ImagineCargo UG eine auf der Simulationsumgebung SUMO sowie Methoden des machinellen Lernens basierende Software-Lösung entwickelt. Zielsetzung war hierbei die Optimierung der innerstädtischen Tourenplanung zur emissionsfreien Güterverteilung.


Deep Artifact Suppressor

Das Ziel dieses Projekts besteht darin, unter Verwendung von Methoden des maschinellen Lernens die Qualität tomographischer Aufnahmen, hier stehen zunächst computertomographische Aufnahmen im Fokus, zu verbessern. Bedingt durch die den Aufnahmen zugrundeliegenden physikalischen Effekte, treten in Abhängigkeit des zu untersuchenden Objekts unterschiedliche Formen von so genannten Bildartefakten auf. Diese mindern zum einen die Bildqualität und erschweren des Weiteren auch die Interpretation der Ergebnisse. Durch die Verwendung realistischer Simulationsverfahren können künstliche Bilddaten generiert werden, welche diese Artefakte nur optional aufweisen. Auf diesem Wege können künstliche Bildpaare erzeugt werden, bei denen das eine Bild die Artefakte aufweist, während sie im anderen Bild simulationsseitig unterdrückt worden sind. Die so gewonnenen Daten sollen dann dazu verwendet werden, ein auf Verfahren des maschinellen Lernens basierendes Filter zu entwickeln, welches in der Lage ist, Artefakte auch auf realen Aufnahmen zu eliminieren. Notwendig hierzu ist eine möglichst optimale Anpassung der Simulation an den tatsächlich verwendeten Tomographen. Dies ist im Rahmen einer Bachelorarbeit und in Kooperation mit dem Bundesanstalt für Materialforschung und -prüfung BAM unter Verwendung der dort entwickelten Simulationssoftware  aRTist bereits für den hochschuleigenen Nanofokus-Tomographen realisiert worden.