Weltweit erleidet etwa einer von vier Menschen im Laufe seines Lebens einen Schlaganfall. Im Rahmen ihrer Masterarbeit im Studiengang Medical Devices entwickelte die THU-Studentin Alexandra Ertl einen KI-basierten Ansatz zur automatischen Erkennung von Hyperdensitäten in Computertomographie-Aufnahmen (CTs) von Thrombektomie-Patienten, bei denen eine sogenannte Thrombektomie (die Entfernung eines Blutgerinnsels im Gehirn) durchgeführt wurde. Hyperdensitäten sind helle Flecken, die in postoperativen CTs erscheinen können und auf Blutungen hinweisen können.
Hierfür wertete sie 241 CT-Bilder aus und trainierte damit ein neuronales Netz zur Klassifikation von neuen Bildern hinsichtlich des Vorhandenseins oder Nichtvorhandenseins einer Hyperdensität. Das so entwickelte Netzwerk kann automatisiert valide Aussagen darüber treffen, ob im CT-Bild Hyperdensitäten zu finden sind und hilft so den Ärztinnen und Ärzten dabei, die Diagnose zu beschleunigen und schneller zu erkennen, ob eine Folgebehandlung nötig ist.
Die Arbeit fand im Rahmen des Drittmittelprojekts ThromboMap statt und wurde Ende Juni bei der Tagung „Bildverarbeitung für die Medizin“ einem wissenschaftlichen Publikum vorgestellt. In dem Projekt sind noch weitere Arbeiten geplant.
Zum Studiengang
Medizin und Informatik verbinden und mit der Entwicklung und Verbesserung medizintechnischer Geräte einen Beitrag zum medizinischen Fortschritt leisten: Das ermöglicht der Bachelor-Studiengang Data Science in der Medizin.
Bild:
Alexandra Ertl bei der Entwicklung des neuronalen Netzwerks ©Alexandra Ertl
Text: THU
Literatur:
Ertl, A., Franz, A., Schmitz, B., Braun, M. (2022). 3D CNN-based Identification of Hyperdensities in Cranial Non-contrast CT After Thrombectomy. In: Maier-Hein, K., Deserno, T.M., Handels, H., Maier, A., Palm, C., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2022. Informatik aktuell. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-36932-3_64
