T07 – AUCMEDI: Ein Frame­work für die Auto­ma­ti­sche Klas­si­fi­zie­rung von Medi­zi­ni­schen Bildern

Tag, Uhrzeit, Dauer

Sonn­tag­nach­mit­tag, 14 – 18 Uhr, 4h

Ange­bo­te­ne Sprache

Deutsch

Kurz­be­schrei­bung

Moti­va­ti­on: Die mögli­che Inte­gra­ti­on tiefer neuro­na­ler Netze in die klini­sche Routi­ne ist derzeit ein hoch­ak­tu­el­les Forschungs­the­ma. Das Bestre­ben der Klin­ker, insbe­son­de­re in den bild­ge­ben­den Diszi­pli­nen, ist, diese Model­le als klini­sche Entschei­dungs­un­ter­stüt­zung zu nutzen, um die Diagno­se­si­cher­heit zu verbes­sern oder zeit­auf­wen­di­ge manu­el­le Prozes­se zu auto­ma­ti­sie­ren. Klini­sche Anwen­dungs­stu­di­en offen­ba­ren jedoch, dass die Inte­gra­ti­on von Pipe­lines für die Bild­klas­si­fi­zie­rung in eine Kran­ken­haus­um­ge­bung erheb­li­che Schwie­rig­kei­ten berei­tet. Bereits imple­men­tier­te Lösun­gen aus der Lite­ra­tur sind in der Regel komple­xe als auch eigen­stän­di­ge Soft­ware. Durch die oftmals fehlen­de Gene­ra­li­sier­bar­keit solcher Model­le stehen inter­es­sier­te Klin­ker vor dem Problem, dass keine Wieder­ver­wend­bar­keit auf eige­ne Daten­sät­ze und somit kein prak­ti­scher Einsatz in der klini­schen Forschung möglich ist.

Das Open-Source Python Frame­work AUCMEDI bietet für die beschrie­be­nen Heraus­for­de­run­gen eine Lösung. Das Soft­ware­pa­ket bietet nicht nur eine Biblio­thek als „High-Level“ API für den stan­dar­di­sier­ten Bau von moder­nen medi­zi­ni­schen Bildklassifizierung-Pipelines an, sondern auch die repro­du­zier­ba­re Instal­la­ti­on und direk­te Anwen­dung mittels Docke­ri­sie­rung und auto­ma­ti­scher Hyper­pa­ra­me­ter Erken­nung. Mit AUCMEDI ist es Forschern möglich, mit nur weni­gen Zeilen Code eine voll­stän­di­ge, als auch leicht zu inte­grie­ren­de Pipe­line für die medi­zi­ni­sche Bild­klas­si­fi­zie­rung aufzu­set­zen. AUCMEDI ist als Python-Paket über PyPI („pip install aucme­di“) und als Repo­si­to­ry über GitHub verfüg­bar mit ausführ­li­cher Doku­men­ta­ti­on, Beispie­len und Anbin­dun­gen an moder­ne DevOps (CI/CD) Tech­ni­ken: https://frankkramer-lab.github.io/aucmedi/.

Inhalt und Format: Das Hands-On Tuto­ri­al demons­triert die Anwen­dung von AUCMEDI auf einen öffent­lich zugäng­li­chen medi­zi­ni­schen Bild­ge­bungs­da­ten­satz inner­halb der Goog­le Colab Umge­bung (Jupy­ter Note­books). Die Note­books werden entspre­chend bereits vorbe­rei­tet sein, sodass nur Klei­nig­kei­ten ange­passt werden müssen, jedoch man gute Einbli­cke in die Funk­ti­ons­wei­se erhält. Daher sind keine außer­ge­wöhn­li­chen Vorkennt­nis­se in diesem Bereich erfor­der­lich. Vorab wird es eine klei­ne Vorle­sung geben, um in die Thema­tik (Deep Lear­ning basier­te Bild­klas­si­fi­zie­rung, AUCMEDI) und Arbeits­auf­ga­ben einzuführen.

Geplan­te Lern­zie­le: Inner­halb des Tuto­ri­als werden Einbli­cke in die Funk­ti­ons­wei­se als auch in den Aufbau von moder­nen Pipe­lines basie­rend auf tiefen neuro­na­len Netzen für die medi­zi­ni­sche Bild­klas­si­fi­zie­rung gewährt. Außer­dem werden Kennt­nis­se im Umgang mit der Soft­ware AUCMEDI vermittelt.

Fach­li­che Voraussetzungen

Erfah­rung mit Jupy­ter Note­book / Goog­le Colab wird vorausgesetzt.

Zudem sind Kennt­nis­se in Python und Deep Lear­ning wünschens­wert, jedoch keine Voraus­set­zung. Das Tuto­ri­al rich­tet sich eben­falls an inter­es­sier­te Klini­ker im Fach­be­reich Bildanalyse.

Tech­ni­sche Voraussetzungen

Ein Laptop mit Internet-Anbindung wird benö­tigt. Jupy­ter Note­book / Goog­le Colab wird im Internet-Browser genutzt und benö­tigt keine Vorinstallation.

Für optio­na­les loka­les Arbei­ten (fort­ge­schrit­te­ne Nutzer) empfiehlt sich Python 3.8÷3.10 mit
Tensor­Flow. AUCMEDI kann eben­falls vorin­stal­liert werden via PyPI (pip install aucme­di).

Organisator*in

Domi­nik Müller

Insti­tu­ti­on

Univer­si­tät Augs­burg, Augs­burg, Bayern, Deutschland

Kontakt

dominik.mueller [at] informatik.uni-augsburg.de

Zusätzliche*r Referent*in

Dennis Hart­mann

Insti­tu­ti­on

Univer­si­tät Augs­burg, Augs­burg, Bayern, Deutschland