Ein Überblick über Deep Learning in der medizinischen Bildgebung mit Schwerpunkt auf MRI-Bildern

Das maschinelle Lernen hat in letzter Zeit einige dramatische Entwicklungen erlebt, die in der Industrie, der Wissenschaft und der Populärkultur auf großes Interesse gestoßen sind. Ausschlaggebend dafür sind Durchbrüche bei künstlichen neuronalen Netzen, die oft als "Deep Learning" bezeichnet werden. Dabei handelt es sich um eine Reihe von Techniken und Algorithmen, die es Computern ermöglichen, komplizierte Muster in großen Datensätzen zu entdecken. Diese Durchbrüche sind auf den verbesserten Zugang zu Daten ("Big Data"), benutzerfreundliche Software-Frameworks und eine explosionsartige Zunahme der verfügbaren Rechenleistung zurückzuführen, die den Einsatz von neuronalen Netzen ermöglicht, die tiefer sind als je zuvor. Diese Modelle stellen heute den modernsten Ansatz für eine Vielzahl von Problemen in den Bereichen Computer Vision, Sprachmodellierung und Robotik dar. Deep Learning erlangte seine herausragende Stellung in der Computer Vision, als neuronale Netze begannen, andere Methoden bei mehreren hochkarätigen Bildanalyse-Benchmarks zu übertreffen. Am bekanntesten wurde dies bei der Image Net Large-Scale Visual Recognition Challenge (ILSVRC) im Jahr 2012, als ein Deep-Learning-Modell (ein neuronales Faltungsnetzwerk) die zweitbeste Fehlerquote bei der Bildklassifizierung halbierte.

Autorentext

Frau J. Sri Mahalakshmi schloss ihr Masterstudium in Informatikanwendungen am SVECW ab, das der JNTU Kakinada angegliedert ist. Sie hat Erfahrung sowohl in der Industrie als auch im Lehrbereich. Derzeit arbeitet sie als Assistenzprofessorin am West Godavari Institute of Science and Engineering College.