Förderprojekte

Förderbeginn 01.01.2016

Domainadaption für Deep Learning in Medizinischer Bildverarbeitung mit Anwendungen für die Fetale Hirnsegmentierung

Prof. Dr. Nassir Navab
Technische Universität München
Lehrstuhl für Informatik 16 - Informatikanwendungen in der Medizin

Prof. Dr. Trevor Darrell
University of California, Berkeley
EECS - Electrical Engineering and Computer Science

Im diesem gemeinsamen Projekt liegt unser Fokus auf der Entwicklung von Techniken zur Domainadaption, welche die Segmentierung fetaler Hirne in Magnetresonanztomographie-Sequenzen (MRT) signifikant verbessern sollen. Eine korrekte Segmentierung ist wichtig, da diese dazu verwendet wird, fetale Hirnentwicklung und -reifung klinisch zu bewerten. Anders als in adulten MRT- Aufnahmen sorgt die hohe Variabilität in fetaler Anatomie bei einer direkten Übertragung von Modellen, die für adulte Populationen trainiert wurden, für suboptimale Ergebnisse. Hinzu kommt, dass zu wenige annotierte Datensätze zur Anpassung der Modelle verfügbar sind. Um diese Probleme zu lösen, setzen wir Domainadaption ein, was es ermöglicht den großen Korpus annotierter adulter MRT-Daten sowie aktuelle Machine Learning Modelle zu nutzen, um die Segmentierung fetaler Hirnbilder zu erreichen. Deep Learning Techniken haben in den letzen Jahren im Feld der Bildverarbeitung für herausragende Verbesserungen bei Objekterkennung, semantischer Segmentierung und Bildklassifikation gesorgt. Deep Learning generiert Bildfeatures anhand der verfügbaren Daten automatisch und reduziert damit die benötigte Zeit um heuristisch nützliche Features per Hand zu bestimmen. In diesem BaCaTec Projekt möchten wir effiziente Deep Neural Network Architekturen entwickeln, welche es sowohl erlauben adulte MRT-Daten zu segmentieren als auch durch Domainadaption in der Lage sind fetale Hirnsegmentierung durchzuführen.