Zusammenfassung: Hintergrund: Seit 2017 berichten Wissenschafts- und Populärmedien immer wieder von bildanalytischen Verfahren der künstlichen Intelligenz, die in der medizinischen Diagnostik zu menschlichen Experten vergleichbar gute Resultate erzielen. Mit der erstmaligen Zulassung eines solchen Systems durch die amerikanische Arzneimittelbehörde 2018 begann ihr Einzug in den klinischen Alltag. Fragestellung: Dieser Beitrag gibt einen Überblick der wichtigsten Entwicklungen der künstlichen Intelligenz für bildanalytische Verfahren in klinischen Anwendungen mit Fokus auf die Dermatologie. Material und Methode: Am Beispiel der ImageNet Challenge wird gezeigt, dass klassische Ansätze des maschinellen Lernens stark auf menschlicher Expertise beruhten und dass ihre Performance und Skalierbarkeit praktischen Anforderungen nicht genügen konnten. Mittels Deep Learning, einem auf neuronalen Netzen beruhenden Verfahren, konnten diese Limitierungen und insbesondere die Abhängigkeit von menschlicher Expertise überwunden werden. Wir beschreiben wichtige Eigenschaften von Deep Learning, den methodischen Durchbruch von Transfer Learning und berichten über vielversprechende Entwicklungen hin zu generativen Modellen. Ergebnisse: Mittels Deep Learning erreichen bildanalytische Verfahren in vielen Fällen die für den industriellen und klinischen Einsatz geforderte Genauigkeit. Zudem gestaltet sich ihre Industrialisierung weitestgehend barrierefrei. Derzeitige Entwicklungen fokussieren sich daher weniger auf die nochmalige Verbesserung der Genauigkeit, sondern nehmen sich den Herausforderungen der Interpretierbarkeit und Anwendbarkeit unter Alltagsbedingungen an. Durch die Weiterentwicklung zu generativen Modellen werden gänzlich neuartige Anwendungen möglich. Schlussfolgerungen: Deep Learning hat in vielerlei Hinsicht beeindruckende Erfolge vorzuweisen und gilt heute nicht nur in der Bildanalyse als das Standardverfahren schlechthin. Dieser Durchbruch der künstlichen Intelligenz ermöglicht eine rasch anwachsende Zahl von klinischen Anwendungen und entwickelt sich fortwährend zu einem unverzichtbaren Werkzeug in der modernen Medizin.

This work introduces T-Loss, a novel and robust loss function for medical image segmentation. T-Loss is derived from the negative log-likelihood of the Student-t distribution and excels at handling noisy masks by dynamically controlling its sensitivity through a single parameter. This parameter is optimized during the backpropagation process, obviating the need for additional computations or prior knowledge about the extent and distribution of noisy labels. We provide in-depth analysis of this parameter behavior during training and revealing its adaptive nature and its role in preventing noisy memorization. Our extensive experiments demonstrate that T-Loss significantly outperforms traditional loss functions in terms of dice scores on two public medical datasets, specifically for skin lesion and lung segmentation. Moreover, T-Loss exhibits remarkable resilience to various types of simulated label noise, which mimics human annotation errors. Our results provide strong evidence that T-Loss is a promising alternative for medical image segmentation where high levels of noise or outliers in the dataset are a typical phenomenon in practice. The project website, including code and additional resources, can be found at: https://robust-tloss.github.io/.

Click on the title to browse this book