Fakultät Informatik und Mathematik
Regensburg Center for Artificial Intelligence
Regensburg Center of Biomedical Engineering
Regensburg Center of Health Sciences and Technology

Prof. Dr. rer nat. Christoph Palm

ML4Gastro - Zöliakie

Kooperationspartner

  • Regensburg Medical Image Computing, Ostbayerische Technische Hochschule Regensburg
    • Prof. Dr. Christoph Palm
    • David Rauber
    • Robert Mendel
    • Tobias Rückert
  • III. Medizinische Klinik, Klinikum Augsburg
    • Prof. Dr. Helmut Messmann
    • Dr. Alanna Ebigbo
    • Dr. Markus W. Scheppasch

Veröffentlichungen

2021:
Detection Of Celiac Disease Using A Deep Learning Algorithm
https://opus4.kobv.de/opus4-oth-regensburg/frontdoor/index/index/docId/2025

Projektbeschreibung

Motivation

Zöliakie ist eine Autoimmunerkrankung, die durch Gluten verursacht wird und zu einer Entzündungsreaktion des Dünndarms führt. Aufgrund ihrer vielseitigen Ausprägung und ihres schwer zu identifizierendem endoskopischem Erscheinungsbild wird die Zöliakie bei Routineendoskopien häufig übersehen und ist daher unterrepräsentiert. Daher ist das Ziel dieses Projektes Zöliakie mit Hilfe von Deep Learning Verfahren in endoskopischen Aufnahmen zu erkennen und somit dem Untersucher eine Hilfestellung zu bieten.

 Ziele und Vorgehen

Heutzutage werden im klinischen Alltag immer häufiger Machine Learning Methoden von Ärzten eingesetzt, um diese bei der Diagnose von Krankheiten zu unterstützen. Diese Verfahren verwenden für ihre Entscheidung meist jedoch nur eine Informationsquelle (endoskopische Bilder, CT Aufnahme, ...), wohingegen Mediziner ihre Diagnose auf eine Vielzahl an Informationen stützen. Das Ziel dieses Projektes ist es daher, neben den endoskopischen Bildern auch weitere Informationsquellen (Modalitäten) für die Entscheidungsfindung zu verwenden. Als zusätzliche Informationen stehen klinische Parameter wie zum Beispiel das Geschlecht, der Hb-Wert oder ob der Patient an abdominellen Beschwerden leidet zur Verfügung. Diese Informationen müssen entsprechend aufbereitet und der KI zur Verfügung gestellt werden, die diese anschließend miteinander vereint und so eine genauere Diagnose stellen kann. Eine Herausforderung dabei ist, dass nicht immer alle Informationen für einen Patienten erhoben worden sind.