Deep Learning und Digitale Pathologie

Die digitale Pathologie hat sich in letzter Zeit aufgrund von Fortschritten in der Technologie und bei den Vorschriften weithin durchgesetzt. Im Wesentlichen erzeugt ein Scanner in der digitalen Pathologie eine digitale Kopie des traditionellen Glasobjektträgers, die auf einem lokalen oder cloud basierten Server gespeichert und überall mit einem Computer und einer Internetverbindung bearbeitet werden kann. Ihr Einsatz für die Primärdiagnose hat die Pathologie revolutioniert und prägt die Zukunft dieser Disziplin.

Das DigiPath-Team beschäftigt sich mit verschiedenen Herausforderungen im Bereich der digitalen Pathologie. Dazu gehört z. B. die Klassifizierung von Tumor- und Nicht-Tumorgewebe oder von verschiedenen Tumortypen auf Basis digitaler Mikroskopieaufnahmen. Diese Aufgabe würde normalerweise eine umfangreiche mikroskopische Auswertung durch Patholog*innen erfordern. In unserem Team entwickeln wir dafür leistungsfähige und robuste Methoden, die sowohl Deep Learning als auch klassische maschinelle Lernverfahren nutzen.

 

Forschungsgebiete

  • Semantische Segmentierung
  • Interpretierbarkeit/Erklärbarkeit von Unet-ähnlichen neuronalen Netzen
  • Stain-Normalisierung mit GANs
  • Normalizing-Flows und invertierbare UNet für die Erzeugung synthetischer Daten
  • Training mit schwachen Etiketten + Differentialdiagnose

Leitung

Bild Daniel Otero Baguer

Dr. Daniel Otero Baguer

Deep Learning und Digitale Pathologie

DigiPath-Viewer

Das Digipath-Team entwickelt außerdem einen "DigiPath Viewer", eine Web-Anwendung, mit der digitale Mikroskopiebilder annotiert und die Ergebnisse der Modelle angezeigt werden können. Der "DigiPath Viewer" ermöglicht die Visualisierung der Deep Learning Ergebnisse und wird die Arbeit der Patholog*innen vereinfachen. Einige der Hauptmerkmale sind:

  • Integration mit Stylus-Stift für natürliche und präzise Annotationen.
  • Ein halbautomatisches Annotationswerkzeug, das den Annotationsprozess beschleunigt. Das Annotationspolygon kann durch Ziehen/Löschen von Punkten einfach angepasst werden.
  • Visualisierung von automatischen Tumorvorhersagen der künstlichen Intelligenz als Overlay auf den Originalbildern. Die Transparenz des Overlays sowie der Schwellenwert zur Unterscheidung zwischen Tumor- und Normalgewebe können einfach angepasst werden.
CAMELYON 17 Challenge

Teilnahme an Challenges

Unser Team belegte den 9. Platz in der inoffiziellen Rangliste der CAMELYON 17 Challenge, die auch nach den offiziellen Einreichungsfristen offen blieb und mehr als 100 Einreichungen von den besten Unternehmen und Forschungsgruppen im Bereich der digitalen Pathologie erhielt. Das Ziel dieser Challenge ist die Entwicklung einer Methode zur automatischen Erkennung und Klassifizierung von Brustkrebsmetastasen in digitalen Mikroskopiebildern von histologischen Lymphknotenschnitten.

Team

Bild Rudolf Herdt

Rudolf Herdt

Deep Learning und Digitale Pathologie
 

Bild Jean Le'Clerc Arrastia

Jean Le'Clerc Arrastia

Deep Learning und Digitale Pathologie

Projekte

Visualisierung von KI-Ergebnissen zur Krebserkennung

SPAplus - Small Data Probleme in der digitalen Pathologie und programmbegleitende Maßnahmen

BMBF-Projekt
Laufzeit: 01.04.2020 - 31.03.2023
Leitung: Peter Maaß

In SPAplus werden mathematisch fundierte Verfahren zur Datenaugmentation über Deep Learning für die digitale Pathologie entwickelt. Zudem sollen in programmbegleitenden Maßnahmen Konzepte zur Ausbildung mathematischer Datenanalyst*innen sowie Informations- und Netzwerkveranstaltungen erarbeitet und umgesetzt werden.

DIAMANT Abbildung

DIAMANT - Digitale Bildanalyse und bildgebende Massenspektrometrie zur Differenzierung von nichtkleinzelligem Lungenkrebs

BMBF-Projekt
Laufzeit: 01.01.2020 - 31.12.2022
Leitung: Peter Maaß

In DIAMANT werden die molekularen Informationen aus MALDI IMS Daten mit den detaillierten anatomischen Informationen aus digitalen Mikroskopiebildern kombiniert. Mithilfe einer integrierten Analyse der Daten aus beiden komplementären Modalitäten wird ein Klassifikationsmodell zur Krebsdiagnostik entwickelt, das deutlich genauer ist als bestehende, nur auf einer der beiden Modalitäten basierende Modelle.

Logo MALDISTAR

MALDISTAR - Studie zur Qualitätsbewertung, Standardisierung und Reproduzierbarkeit von Daten der bildgebenden MALDI-Massenspektrometrie

KTS-Projekt
Laufzeit: 01.07.2019 - 30.06.2022
Leitung: Peter Maaß

MALDI Imaging stellt eine etablierte Methode für die räumliche Untersuchung von Biomolekülen dar. Trotz vieler Vorteile wird jedoch zunehmend deutlich, dass die Daten hoher Variabilität unterliegen. Aus diesem Grund werden in MALDISTAR Werkzeuge zur Qualitätsbewertung sowie neue Kalibrierungs- und Cross-Normalisierungsmethoden entwickelt.

Veröffentlichungen

J. Le Clerc Arrastia, N. Heilenkötter, D. Otero Baguer, L. Hauberg-Lotte, T. Boskamp, S. Hetzer, N. Duschner , J. Schaller , P. Maaß.
Deeply Supervised UNet for Semantic Segmentation to Assist Dermatopathological Assessment of Basal Cell Carcinoma.
MDPI Journal of Imaging, 71 7(4), Meisenbach Verlag, Bamberg, 2021. DOI: https://doi.org/10.3390/jimaging7040071


J. Behrmann, C. Etmann, T. Boskamp, R. Casadonte, J. Kriegsmann, P. Maaß.
Deep Learning for Tumor Classification in Imaging Mass Spectrometry.
Bioinformatics, 34(7):1215-1223, Oxford University Press, 2018. DOI: 10.1093/bioinformatics/btx724

 

C. Etmann, M. Schmidt, J. Behrmann, T. Boskamp, L. Hauberg-Lotte, A. Peter, R. Casadonte, J. Kriegsmann, P. Maaß.
Deep Relevance Regularization: Interpretable and Robust Tumor Typing of Imaging Mass Spectrometry Data.
Zur Veröffentlichung eingereicht, online unter: https://arxiv.org/abs/1912.05459