Anwendungsprojekte

Bewegungstraining

webadm — Sun, 08 Aug 2021 19:44:55 +0000

Bewegungstraining webadm Sun, 08/08/2021 - 21:44

Ansprechperson: Prof. Dr. Frank Steinicke

Im KI-SIGS-Anwendungsprojekt (AP390) „Bewegungstraining“ entwickeln die Partner Universität Hamburg, Universität Bremen, apoQlar und SZENARIS mit Unterstützung des Hospitals zum Heiligen Geist ein KI-gestütztes Trainingssystem zur Verbesserung der Gesundheit und Fitness von älteren Erwachsenen. Um die Schulung effektiv durchführen zu können, mussten wir zunächst die Eigenschaften und Bedürfnisse unserer Nutzerinnen und Nutzer verstehen. Unsere Zielgruppe sind in erster Linie ältere Erwachsene im Alter von 50-65 Jahren, die Hilfe benötigen, um Gesundheits-, Mobilitäts- und Fitnessgewohnheiten ohne Trainerinnen und Trainer oder medizinisches Personal zu entwickeln und aufrechtzuerhalten. Herausforderungen sind dabei der Mangel an Motivation (z. B. keine soziale Interaktion während COVID) und zunehmende körperliche Beschwerden.

Daher liegt unser Fokus auf der Steigerung der Motivation, aktiv und fit zu bleiben. Darüber hinaus werden Gamification und virtuelle Agenten verwendet, um die Erfahrung der Nutzerinnen und Nutzer mit dem System zu verbessern. Um eine breite Bevölkerungsgruppe zu erreichen, muss das System auf mehrere Kontexte (VR/AR, Robotik usw.) erweiterbar sein.

Anwendungsprojekte

AP 390

Ansprechperson: Prof. Dr. Frank Steinicke

Regelmäßige körperliche Aktivität hat nachweislich zahlreiche gesundheitliche Vorteile, indem sie hilft, Krankheiten vorzubeugen und das allgemeine körperliche und psychische Wohlbefinden zu verbessern. Sie trägt z. B. zu einer Verringerung des Risikos einer klinischen Depression und zur Minderung von Angstsymptomen bei. Mehr als ein Viertel der erwachsenen Weltbevölkerung ist jedoch nicht ausreichend aktiv, wobei ältere Erwachsene einen größeren Anteil an bewegungsarmen Personen ausmachen. Dieses Projekt befasst sich daher mit der Frage, wie ältere Menschen dazu motiviert werden können, häufiger und effizienter Sport zu treiben, und dabei unterstützt werden können, Bewegungsgewohnheiten leichter in ihren Tagesablauf zu integrieren.

Das KI-SIGS AP 390 arbeitet daran, Elemente der Gamifizierung mit intelligenten virtuellen und robotischen Agenten in Bewegungstrainingssysteme zu integrieren, die den Nutzerinnen und Nutzern durch den Einsatz von Algorithmen zur Bewegungserkennungein spezifisches Feedback zu ihren Bewegungen geben können. Dieses System bietet großartige Möglichkeiten – nicht nur für die individuellen Trainingsbedürfnisse der einzelnen Nutzerinnen und Nutzer zu Hause, sondern auch für den Einsatz in therapeutischen Umgebungen.

Um den zuvor ermittelten Anforderungen der Zielgruppe gerecht zu werden, wurden die Hauptkomponenten des Systems iterativ verfeinert. Dazu zählen die Weiterentwicklung des Game Designs, des Roboters und der virtuellen Agent*innen. Die Entwicklung von Algorithmen zur Bewegungserkennungein folgt einem ähnlichen Prozess, der reale und simulierte Nutzerdaten einbezieht. Die Integration aller Systeme ist im Gange. Gleichzeitig sind Evaluationen des Prototypen mit unserer Zielgruppe in Planung.

Visualisierung der Komponente zur Posenschätzung in der Bewegungserkennungs-Pipeline

Prototyp eines VR-Exergames mit dem Quest 2-System

Laufende Evaluationen mit der Zielgruppe umfassen Interviews und Umfragen, um qualitative und quantitative Daten zu Bereichen wie Gamification, Interaktionen mit Agent*innen und allgemeiner Benutzerfreundlichkeit des Systems zu erhalten. Die fachkundige Auswertung der Trainingsdaten während der Bewegungserfassung und Videoaufzeichnung stellt sicher, dass das System ein genaues Feedback liefert. Summative Evaluationen (hauptsächlich mit dem HzHG) konzentrieren sich auf die Benutzerfreundlichkeit des Prototyps. Insbesondere Faktoren wie Akzeptanz, Spaß, Immersion und Motivation sollen evaluiert werden.

Vergleich derBenutzerpräferenzen intelligenter Agenteneigenschaften und Feedbackmodi

Unterstützung beim Robotertraining

Die Weiterentwicklung des AP390-Übungstrainingssystems von einer Anwendung zur Verbesserung des Lebensstils zu einem medizinisch relevanten System würde die Integration der AI-SIGS-Plattform als groß angelegtes sicheres Datenaustauschsystem erfordern. Dies würde die Entwicklung von KI/ML-Algorithmen und Multimediasystemen beschleunigen, die auf große Datenmengen angewiesen sind.

Projektposter

Duczek N, Kerzel M, Allgeuer P and Wermter S (2022), "Self-organized learning from synthetic and real-world data for a humanoid exercise robot.",Front. Robot. AI 9:669719, doi: 10.3389/frobt.2022.669719.

Nima Rahrakhshan, Matthias Kerzel, Philipp Allgeuer, Nicolas Duczek, and Stefan Wermter, "Learning to Autonomously Reach Objects with NICO and Grow-When-Required Networks", in 2022 IEEE-RAS International Conference on Humanoid Robots (Humanoids), 2022.

Off

Individualisierte Hörhilfenanpassung

webadm — Sun, 08 Aug 2021 19:44:26 +0000

Individualisierte Hörhilfenanpassung webadm Sun, 08/08/2021 - 21:44

Ansprechperson: Prof. Dr. Timo Gerkmann

Das KI SIGS Anwendungsprojekt "Individualisierte Hörhilfenanpassung"

verfolgt die Zielsetzung, Methoden der künstlichen Intelligenz zu entwickeln und bereitzustellen, die eine Anpassung von Hörhilfen an Nutzer und ihre spezifischen Hörverluste und Vorlieben ermöglichen. Des Weiteren sollen KI-basierte Methoden zur Sprachverbesserung entwickelt werden, die an die individuelle Nutzung angepasst sind. Dabei widmet sich das Institut für Institut für Signalverabeitung, geleitet von Prof. Alfred Mertins, und Prof. Jonas Obleser vom Institut für Psychologie I den leichten und mittleren Hörverlusten, die mit einem medizinischen Hörgerät ausgeglichen werden sollen. Darüber hinaus befassen sich die Universität Hamburg unter der Leitung von Prof. Dr.-Ing. Timo Gerkmann und der Industriepartner Advanced Bionics mit dem gesamten Spektrum von leichten bis sehr starken Hörverlusten.

Anwendungsprojekte

AP 380

Ansprechperson: Prof. Dr. Timo Gerkmann

Das KI SIGS Anwendungsprojekt "Individualisierte Hörhilfenanpassung" verfolgt die Zielsetzung, Methoden der künstlichen Intelligenz zu entwickeln und bereitzustellen, die eine Anpassung von Hörhilfen an Nutzer und ihre spezifischen Hörverluste und Vorlieben ermöglichen. Des Weiteren sollen KI-basierte Methoden zur Sprachverbesserung entwickelt werden, die an die individuelle Nutzung angepasst sind. Dabei widmet sich das Institut für Institut für Signalverabeitung, geleitet von Prof. Alfred Mertins, und Prof. Jonas Obleser vom Institut für Psychologie I den leichten und mittleren Hörverlusten, die mit einem medizinischen Hörgerät ausgeglichen werden sollen. Darüber hinaus befassen sich die Universität Hamburg unter der Leitung von Prof. Dr.-Ing. Timo Gerkmann und der Industriepartner Advanced Bionics mit dem gesamten Spektrum von leichten bis sehr starken Hörverlusten.

Im Bereich der Sprachverbesserung werden durch die Universität Hamburg unter Leitung von Prof. Dr.-Ing. Timo Gerkmann leichtgewichtige KI-Methoden entwickelt die an die individuellen Bedürfnisse von Personen mit leichten und starken Hörverlusten angepasst werden können. Die Ergebnisse wurden unter anderem in EURASIP Journal on Audio, Speech and Music Processing veröffentlicht [1]. Zum anderen geht es um die Erhöhung der Robustheit und der Reduktion des Rechenaufwands von modernen Verfahren der Diffusionsbasierten Sprachverbesserung. Die Ergebnisse wurden unter anderem in den IEEE/ACM Transactions on Audio, Speech, and Language Processing veröffentlicht [2]. Die Grundlage für die Entwicklung der vorgeschlagenen KI-Methoden für die Anpassung des First Fits stellen vom Industriepartner erhobene Datensätze, für die bislang keine effizienten Möglichkeiten der Nutzung existieren, sowie im Projekt erhobene Messdaten dar. Neben Audiogrammen und den Ergebnissen von Anpassungsverläufen zählen hierzu auch EEG-Daten, die Aufschluss über die Verarbeitung der Audiosignale im Gehirn geben sollen [3]. Aufgrund der hohen Dimensionalität des Parameterraums (d.h., der Vielzahl von Konfigurationsmöglichkeiten, sowie der hohen interindividuellen Variabilität ist die optimale Gerätekonfiguration eine Herausforderung, die nicht mit Faustformeln, sondern nur durch datengetriebene Methoden der künstlichen Intelligenz ausreichend gelöst werden kann. Ziel der Arbeiten an der Universität zu Lübeck ist es daher, mit Verfahren maschinellen Lernens aus den großen Datenbasen zu passgenaueren Hörsystemeinstellungen für den einzelnen Patienten zu gelangen, bei denen der Einzelne von den verteilten Anpassungsmodifikationen und Entscheidungen anderer Nutzer mit ähnlichen Hörprofilen in vergleichbaren akustischen Situationen und mit ähnlichen Anforderungen profitieren kann. Dadurch soll der Anpassungsprozess verkürzt und die Akzeptanz und der Nutzen der Hörsysteme in der Praxis verbessert werden.

Projektposter

Publikationen

[1] Jean-Marie Lemercier, Joachim Thiemann, Raphael Koning, Timo Gerkmann, "A Neural Network-supported Two-Stage Algorithm for Lightweight Dereverberation on Hearing Devices", EURASIP Journal on Audio, Speech, and Music Processing, Vol 18, 2023

[2] Jean-Marie Lemercier, Julius Richter, Simon Welker, Timo Gerkmann, "StoRM: A Diffusion-based Stochastic Regeneration Model for Speech Enhancement and Dereverberation", IEEE/ACM Trans. Audio, Speech, Language Proc., Vol. 31, pp. 2724 -2737, 2023

[3] R. Pallenberg, A.-K. Griedelbach, A. Mertins, LSTMs for EEG-based Auditory Attention Decoding, EUSIPCO, Helsinki, Finnland, Sep. 2023

Off

PELVIS

webadm — Sun, 08 Aug 2021 19:44:04 +0000

PELVIS webadm Sun, 08/08/2021 - 21:44

Ansprechperson: Prof. Dr. Jan Modersitzki

Interventionsunterstützung zur Repositionierung von Knochenfragmenten bei Beckenfrakturen: Hauptziel ist die Optimierung und Vereinfachung von Beckenfraktur-OPs durch KI-gestützte Repositionierung mittels Röntgen-Stereotaxie als Alternative zu aufwändigen Voll-Navigationssystemen. Weitere Ziele sind die Implementierung geeigneter KI-Verfahren, sowie die Lösung der Probleme die bei Segmentierungen und Visualisierungen durch den Übergang von 3D CT Daten zu intraoperativen, selektiven 2D Röntgenbildern entstehen (2D-3D Mapping).

Anwendungsprojekte

AP 370

Ansprechperson: Prof. Dr. Jan Modersitzki

Projektposter

Marian Himstedt, Stephanie Häger, Stefan Heldmann, Andreas Petersik, Erich Zähringer, Heiko Gottschling, Manuel Schröder, Thomas Lieth, Jan Modersitzki: DRR to C-arm X-Ray Image Translation with Application to Trauma Surgery, Computer Assisted Radiology and Surgery 2021.

Stephanie Häger, Annkristin Lange, Stefan Heldmann, Jan Modersitzki, Andreas Petersik, Manuel Schröder, Heiko Gottschling, Thomas Lieth, Erich Zähringer, Jan H. Moltz: Robust Intensity-Based Initialization for 2D-3D Pelvis Registration (RobIn), Bildverarbeitung für die Medizin 2022.

Off

VIKOOB

webadm — Sun, 08 Aug 2021 19:43:32 +0000

VIKOOB webadm Sun, 08/08/2021 - 21:43

Ansprechperson: Prof. Dr. Philipp Rostalski

Visuelle Kontextinformation zur Optimierung der Beatmungstherapie: Verbesserte Nutzung multimodaler Sensordaten in der Beatmungstherapie durch Zusammenspiel visuell extrahierter Kontextinformation (aus Multikamera-Tiefenbildern), Zeitreihen der Vitalparameter und fortschrittlichen KI-Algorithmen (Deep-Learning und probabilistische Modelle). Umfassende Patientenbeurteilung (z.B. bezüglich Stress, Körperlage etc.) und damit potenziell neue diagnostische/therapeutische Anwendungen.

Anwendungsprojekte

AP 360

Ansprechperson: Prof. Dr. Philipp Rostalski

Visuelle Kontextinformation zur Optimierung der Beatmungstherapie

Verbesserte Nutzung multimodaler Sensordaten in der Beatmungstherapie durch Zusammenspiel visuell extrahierter Kontextinformation (aus Multikamera-Tiefenbildern), Zeitreihen der Vitalparameter und fortschrittlichen KI-Algorithmen (Deep-Learning und probabilistische Modelle).
Umfassende Patientenbeurteilung (z.B. bezüglich Stress, Körperlage etc.) und damit potenziell neue diagnostische/therapeutische Anwendungen.

Eine frühzeitige Erkennung von veränderten Patientenlagen oder auch veränderten Körperproportionen infolge von intrakorporalen Volumenverschiebungen ist ein wesentlicher Bestandteil des Patientenmonitorings während der mechanischen Beatmung. Diese kann zur Verbesserung der Beatmungstheraphie entscheidend betragen.

In VIKOOB wird in Zusammenarbeit mit dem Institut für Medizinische Elektrotechnik, dem Institut für Medizinische Informatik der Universität zu Lübeck, der Firma Dräger und dem Universitätsklinikum Hamburg-Eppendorf (UKE) ein klinischer Demonstrator eines intelligenten, kamerabasierten Systems entwickelt, welches wichtige Kontextinformationen zur Prognose von pulmonalen Veränderungen und lageabhängigen Änderungen des Gasaustauschs bei mechanisch beatmeten Intensivpatienten erfasst. Das System ermittelt die insbesondere die folgenden Parameter automatisiert und KI-basiert:

Lagerungsinformation und Körperhaltung
Körpermetriken wie Größe und Gewicht
Lageabhängiges 3D-Körpermodell

und macht somit den klinischen Kontext für die Dokumentation, Diagnose und Beatmungsoptimierung zugänglich. Die gewonnenen Kontextinformationen sollen abschließend mit Hilfe mathematischer Modelle des respiratorischen Systems integriert werden, um eine Optimierung der Beatmungstherapie zu erzielen.

Projektposter

Hennigs, Carlotta und Brehmer, Kai und Rostalski, Philipp: The effect of body mass index on pressure controlled ventilator settings. AUTOMED 2021, 2021.
Hennigs, Carlotta, Brehmer, Kai, Hardel, Tim Tristan and Rostalski, Philipp: Model-based analysis and optimization of pressure-controlled ventilation of COPD patients in relation to BMI. at - Automatisierungstechnik, vol. 70, no. 11, 2022, pp. 957-967
Hennigs, Carlotta und Tobias Becher und Philipp Rostalski: Mathematical lung model for local gas exchange based in EIT-measurements. BMT 2022.
C. Hennigs, F. Schollemann, J. Graßhoff, T. Hardel and P. Rostalski: A simple mathematical lung model of Chronic Obstructive Pulmonary Disease (COPD). AUTOMED 2023, 2023.
S. Merrath, C. Hennigs, A. Oltmann and P. Rostalski: A lung model considering age, sex and height: an in-silico study – lung mechanics. AUTOMED 2023, 2023.
S. Merrath, C. Hennigs, A. Oltmann and P. Rostalski: A lung model considering age, sex and height: an in-silico study – gas exchange. AUTOMED 2023, 2023.
Bigalke, Alexander und Hansen, Lasse und Heinrich, Mattias P. End-to-end learning of body weight prediction from point clouds with basis point sets. Bildverarbeitung für die Medizin 2021. Springer, 2021.
Bigalke, Alexander und Hansen, Lasse und Diesel, Jasper und Heinrich, Mattias P. Seeing under the cover with a 3D U-Net: point cloud-based weight estimation of covered patients. International Journal of Computer Assisted Radiology and Surgery 16.12: 2079-2087, Springer, 2021.
Bigalke, Alexander und Hansen, Lasse und Diesel, Jasper und Heinrich, Mattias P. Domain adaptive 3d human pose estimation through anatomical constraints. MIDL 2022.
Bigalke, Alexander und Hansen, Lasse und Diesel, Jasper und Hennigs, Carlotta und Rostalski, Philipp und Heinrich, Mattias P.: Anatomy-guided domain adaptation for 3D in-bed human pose estimation. Medical Image Analysis, akzeptiert, 2023
Carbon, Niklas M. und Sauer, Julia und Steinle, Julia und Graßhoff, Jan und Rostalski, Philipp und Weber-Carstens, Steffen Surface electromyography may be an alternative to esophageal pressure measurement in patient-ventilator asynchrony detection in ARDS patients PLUG Online Meeting, 2022
Sauer, Julia und Streppel, Merle und Carbon, Niklas M. und Petersen, Eike und Rostalski, Philipp Blind source separation of inspiration and expiration in respiratory sEMG signals, Physiological Measurements, 43 075007, 2022Carbon,
Niklas M. und Sauer, Julia und Steinle, Julia und Graßhoff, Jan und Rostalski, Philipp und Weber-Carstens, Steffen Patient‑ventilator asynchrony detection by surface electromyography (sEMG) in ARDS patients Intensive Care Medicine Experimental 2022, 10(2):000874

Auszeichnungen: BVM-Preis, Beste Wissenschaftliche Arbeit, 3. Platz - Alexander Bigalke für das Paper "End-to-end learning of body weight prediction from point clouds with basis point sets" 2021

Off

Intelligenter Ultraschall-Aspirator

webadm — Sun, 08 Aug 2021 19:43:11 +0000

Intelligenter Ultraschall-Aspirator webadm Sun, 08/08/2021 - 21:43

Ansprechperson: Dr. Steffen Buschschlüter

In vielen medizinischen Disziplinen ist die intraoperative Tumordifferenzierung eine herausfordernde Problemstellung, die viel Fachwissen, Intuition und technologischen Aufwand erfordert. Besonders in der Neurochirurgie ist die präzise Unterscheidung von gesundem Gewebe und Tumor zwingend notwendig, da eine unbeabsichtigte Resektion von gesundem Hirngewebe oder Blutgefäßen mit erheblichen Konsequenzen einhergehen. Vorarbeiten und Erfahrungen zeigen, dass Tumore und gesundes Hirngewebe jedoch hinsichtlich ihrer mechanischen Eigenschaften deutliche Unterschiede aufweisen.

Anwendungsprojekte

AP 350

Ansprechperson: Dr. Steffen Buschschlüter

Projektbeschreibung

Eine Arbeitsgruppe unter der Leitung von Prof. Floris Ernst am Institut für Robotik und Kognitive Systeme der Universität zu Lübeck verfolgt nun das Ziel, mit Hilfe von maschinellen Lernverfahren Gewebe intraoperativ zu vermessen und eine Tumorranderkennung zu ermöglichen. Im Rahmen des KI-SIGS-Anwendungsprojektes „Intelligenter Ultraschall-Aspirator“ kooperiert die Arbeitsgruppe mit der Klinik für Neurochirurgie des UKSH und der Söring GmbH. In diesem dreijährigen Forschungsprojekt werden intraoperative Daten wie Gewebefestigkeiten und MRT-Informationen gesammelt und mit histologischen Untersuchungen von Gewebeproben kombiniert. Die so generierten Trainingsdaten ermöglichen die Entwicklung einer auf maschinellem Lernen basierenden Online-Detektion des Gewebetyps verbunden mit der Möglichkeit innovativer Assistenzfunktionen für die Neurochirurgie. Die Gewebeerkennung soll im Zuge des Projektes testweise in Produkte der Söring GmbH implementiert und klinisch am UKSH erprobt werden.

Projektposter

Publikationen

2021

Niclas Bockelmann, Denise Kesslau, M. Bonsanto, Steffen Buschschlüter and Floris Ernst, Towards machine learning-based tissue differentiation using an ultrasonic aspirator, in: CARS 2021: computer assisted radiology and surgery proceedings of the 35th international Congress and exhibition Munich, Germany, June 21–25, 2021, pages 107-108, 2021

2022

1) Niclas Bockelmann, Daniel Schetelig, M. Bonsanto, Steffen Buschschlüter and Floris Ernst, Intelligent ultrasonic-aspirator for CNS/ tumor tissue differentiation – a feasibility study using machine learning, in: 73. Jahrestagung der Deutschen Gesellschaft für Neurochirurgie (DGNC), Joint Meeting mit der Griechischen Gesellschaft für Neurochirurgie, Köln, 2022

2) Niclas Bockelmann, Daniel Schetelig, Denise Kesslau, Steffen Buschschlüter, Floris Ernst and M. Bonsanto, Toward intraoperative tissue classification: exploiting signal feedback from an ultrasonic aspirator for brain tissue differentiation (2022), in: International Journal of Computer Assisted Radiology and Surgery

Off

KI für radiologische Bildgebung in der Notfall- und Intensivmedizin

webadm — Sun, 08 Aug 2021 19:42:37 +0000

KI für radiologische Bildgebung in der Notfall- und Intensivmedizin webadm Sun, 08/08/2021 - 21:42

Ansprechperson: Prof. Dr. Claus-C. Glüer

Mediziner:innen müssen oft in kurzer Zeit wichtige Entscheidungen treffen, bei denen es auch um Leben und Tod geht. Um sie bei ihrer Entscheidungsfindung zu unterstützen, soll in dem Projekt "Künstliche Intelligenz (KI) für radiologische Bildgebung in der Notfall- und Intensivmedizin" ein intelligenter Röntgenassistent entwickelt werden, der dabei hilft, wichtige Informationen aus Röntgen- und CT-Bildern zu filtern, die entscheidend für die weitere Versorgung von Patientinnen und Patienten sind. Partner in diesem Verbundprojekt sind das Institut für Medizinische Informatik der Universität zu Lübeck (Mattias Paul Heinrich, Heinz Handels), die Christian-Albrechts-Universität zu Kiel (Claus-C. Glüer), das Universitätsklinikum Hamburg-Eppendorf (UKE), das Universitätsklinikum Schleswig-Holstein (UKSH) sowie die Unternehmen Philips, Hamburg, und mbits, Heidelberg.

Weitere Infos zu dem Projekt gibt es hier oder in diesem Beitrag.

Anwendungsprojekte

AP 340

Ansprechperson: Prof. Dr. Claus-C. Glüer

Off

RIDIMP

webadm — Sun, 08 Aug 2021 19:42:17 +0000

RIDIMP webadm Sun, 08/08/2021 - 21:42

Ansprechperson: Prof. Dr. med. Rolf Dembinski

Risikoindikatoren für cardiopulmonale Dekompensation auf Intensivstationen durch Monitoring von Vitalparametern:

Hämodynamische und pulmonale Dekompensationen sind lebensbedrohliche Verschlechterungen der Kreislauf- und Lungenfunktion. Mit zunehmendem Fortschreiten können körpereigene Gegenregulationsmechanismen keine ausreichende Stabilisierung mehr erzielen. Ohne sofortige therapeutische Intervention, wie eine medikamentöse Kreislaufunterstützung oder eine invasive Beatmung, führen sie letztendlich zum Schock, ARDS (acute respiratory distress syndrome) bis hin zum Versterben der Patient:innen.

Anwendungsprojekte

AP 330

Ansprechperson: Prof. Dr. med. Rolf Dembinski

Risikoindikatoren für cardiopulmonale Dekompensation auf Intensivstationen durch Monitoring von Vitalparametern:

Das RIDIMP Projekt-Ziel ist daher das Training tiefer neuronaler Netzwerke zur Prädiktion und Detektion verschiedener Stadien einer hämodynamischen und pulmonalen Dekompensation.

Der Intensivmediziner:innen würde so frühzeitig in seiner Entscheidung zur Einleitung einer medizinischen Intervention unterstützt, was zu einer Reduktion der Patientenmortalität führen könnte

Projektposter

Off

Digitaler Röntgenassistent

webadm — Sun, 08 Aug 2021 16:13:44 +0000

Digitaler Röntgenassistent webadm Sun, 08/08/2021 - 18:13

Ansprechperson: Prof. Dr. Thomas Martinetz

In dem KI-SIGS Anwendungsprojekt "Digitaler Röntgenassistent" wollen die Verbundpartner des UKSH Lübeck (Jörg Barkhausen), der IMAGE Information Systems Europe GmbH (Arpad Bischof), der Pattern Recognition Company GmbH (Erhardt Barth) und des Instituts für Neuro- und Bioinformatik der Universität zu Lübeck (Thomas Martinetz) den Prozess der Röntgenaufnahme mit KI unterstützen und optimieren.

Anwendungsprojekte

AP 320

Ansprechperson: Prof. Dr. Thomas Martinetz

Projektbeschreibung

Allein in Deutschland werden im Jahr ca. 150 Millionen Röntgenbilder aufgenommen. Da viele dieser Bilder unter Zeitdruck und von nicht immer erfahrenem Personal aufgenommen werden, entspricht die Qualität sehr häufig nicht den vorgegebenen Leitlinien. Dies geht auf Kosten der diagnostischen Qualität, führt zu erhöhter Strahlendosis und oft auch zu erhöhtem Ressourcen- und Zeitaufwand, weil neue oder zusätzliche Aufnahmen notwendig sind. Ziel des Projektes ist die Entwicklung eines Röntgenassistenten, welcher das bildaufnehmende Personal führt und dadurch die Qualität der Röntgenbilder signifikant steigert.

Über eine passend am Röntgengerät angebrachte 3D-Time-Of-Flight (3D-TOF) Kamera wird die Lage des Patienten und des zu untersuchenden Bereiches erfasst. Mithilfe KI-basierter Methoden und Algorithmen wird gelernt, welches Röntgenbild mit welcher Qualität bei einer Aufnahme in dieser Lage zu erwarten ist. Nur wenn das Bild den geforderten Kriterien entspricht und für die entsprechende Diagnose geeignet ist, kann eine Aufnahme durchgeführt werden bzw. wird ein entsprechendes Signal für eine Aufnahme gegeben. Darüber hinaus kann dem Benutzer auch über z.B. entsprechende Pfeilsignale und ein Ampelsystem mitgeteilt werden, in welche Richtung eine Lageänderung durch Drehung, Verschiebung, Neigung oder Beugung erfolgen muss bzw. Einblendungsempfehlungen oder sogar eine automatische Einblendung, um stets zu einer guten bis sehr guten Aufnahme zu gelangen.

Zu den Seiten der Verbundpartner:
- Radiologie des UKSH Lübeck
- IMAGE Information Systems Europe GmbH
- Pattern Recognition Company GmbH
- Institut für Neuro- und Bioinformatiok der Universität zu Lübeck

Projektergebnisse

In diesem Teilprojekt wurde eine KI-basierte Auswertung der diagnostischen Röntgenbildqualität auf Grundlage von Expertenwissen entwickelt.
Weiterhin konnten klinische Erkenntnisse durch die Durchführung klinischer Pilotstudien mit anatomischen Präparaten gewonnen werden.
Im engen Austausch mit den Projektpartnern und den eigenen Erfahrungen im Laufe des Projektes, konnten wir wichtige Erkenntnisse für die Entwicklung des Röntgenassistenten als Medizinprodukt gewinnen.

So haben wir erfolgreich einen Prototyp des Röntgenassistenten entwickelt und in den klinischen Betrieb integriert. Dieser Prototyp ist in der Lage automatisch die diagnostische Qualität von Röntgenbildern zu bewerten und dem Fachpersonal direkt ein Feedback zu geben. Mit diesem Prototyp ist es uns möglich, die Funktionalität unter realen Bedingungen zu testen und wertvolles Feedback von medizinischem Fachpersonal zu sammeln.

Wir konnten weiterhin zeigen, dass sich die ToF-Kamera in das Röntgengerät funktional integrieren lässt. Damit ist es uns möglich gewesen ein System zu entwickeln, das die Posenqualität auf Grundlage von Tiefenbildern bestimmt. Dieses System analysiert die Position und Ausrichtung des Patienten in Bezug auf das Röntgengerät, um die Qualität der resultierenden Röntgenbilder vorherzusagen.

Aufgrund hoher regulatorischer Hürden ist die Inbetriebnahme dieses System zur Aufnahme von Trainingsdaten im klinischen Livebetrieb mit Patienten schwierig. Daher haben wir ein Verfahren zur Generierung realistischer synthetischer Trainingsdaten entwickelt. Dies ermöglichte uns, eine vielfältige Menge an Trainingsdaten zu erstellen, die verschiedene klinische Szenarien abdecken. Für dieses Verfahren wurde im Rahmen des Projektes eine Patentmeldung getätigt.

Ausblick

Im Zuge der Projektfortführung ist die Weiterentwicklung des Prototyps hin zu einem Medizinprodukt in Zusammenarbeit mit Partnern vorgesehen. Bis zum Projektende wird eine Abschätzung des klinischen Erfolgs durchgeführt. Dabei stehen die Erweiterung um verschiedene Anatomien, technische Verbesserungen sowie Qualitätssicherungsmaßnahmen im Fokus. Eine umfassende klinische Studie und Bewertung sind ebenfalls geplant, um die Eignung des Produkts für den klinischen Einsatz zu gewährleisten.
Es ist weiterhin geplant, Kontakt mit Röntgengeräteherstellern aufzunehmen, die seit neuem Röntgengeräte mit einer integrierten ToF-Kamera herstellen. Damit wäre eine Integration der Posenbewertung in den Prototyp möglich, da die derzeit bestehenden Datenprobleme und regulatorischen Hürden wegfallen würden.
Um die Datenprobleme und regulatorischen Hürden für die Integration der Posenbewertung in den derzeit bestehenden Prototyp zu lösen, wäre weiterhin eine Zusammenarbeit mit Röntgengeräteherstellern als Partner möglich.

Projektposter

Publikationen

D Mairhöfer, M Laufer, P Simon, M Sieren, A Bischof, T Käster, E Barth, J Barkhausen, T Martinetz - An AI-based Framework for Diagnostic Quality
Assessment of Ankle adiographs in Proceedings of Machine Learning Research 143, pages 484-496, 2021

H Gerdes, D Mairhöfer, M Laufer, F Leal dos Reis, J Preuss, T Käster, E Barth, T Martinetz, J Barkhausen, A Bischof, MM Sieren - Automatisierte
Qualitätsbewertung von Röntgenaufnahmen des oberen Sprunggelenks mittels künstlicher Intelligenz. Deutscher Röntgenkongress 2022

F Leal dos Reis, M Laufer, D Mairhöfer, H Gerdes, J Preuss, T Käster, E Barth, T Martinetz, J Barkhausen, A Bischof, MM Sieren - Vorhersage der
Röntgenbildqualität des oberen Sprunggelenks mittels Tiefenbildtechnik und künstlicher Intelligenz – eine Kadaverstudie. Deutscher
Röntgenkongress 2022

H Gerdes, D Mairhöfer, M Laufer, F Leal dos Reis, J Preuss, T Käster, E Barth, T Martinetz, J Barkhausen, A Bischof, M Sieren - Anwendung eines
KI-basierten Algorithmus zur Qualitätsbewertung von Röntgenaufnahmen des Kniegelenks. Deutscher Röntgenkongress 2023

M Sieren, F Leal dos Reis, M Laufer, D Mairhöfer, H Gerdes, J Preuss, T Käster, E Barth, T Martinetz, I Weyers, J Barkhausen, A Bischof - Predicting
a radiograph’s quality before its acquisition - an artificial intelligence approach using depth imaging in a cadaver study. Radiological Society
of North America 2023

M Sieren, D Mairhöfer, M Laufer, T Käster, E Barth, T Martinetz, H Gerdes, F Leal dos Reis, J Barkhausen, A Bischof - Automated evaluation of the
quality of ankle radiographs based on anatomical features using a dedicated artificial intelligence approach. European Congress of
Radiology 2023

Erfindungsmeldung

Verfahren zur Erzeugung von Trainingsdaten für ein KI-basiertes Assistenzsystem und Vorrichtung zur Unterstützung der Röntgendiagnostik
Eingereicht in Deutschland unter DE 10 2022 133 272.1

Interviews + Videos

https://issuu.com/gg-radmag/docs/radmag_3-2020/s/11397254
https://www.hamburg-news.hamburg/innovation-wissenschaft/optimale-roentgenbilder-dank-kuenstlicher-intelligenz

Off

Homecare Augendiagnostik

webadm — Sun, 08 Aug 2021 15:36:40 +0000

Homecare Augendiagnostik webadm Sun, 08/08/2021 - 17:36

Ansprechperson: Prof. Dr. Reinhard Koch

Das Projekt iAuge ist ein Teilprojekt des überregionalen Verbundprojektes „KI-Space für intelligente Gesundheitssysteme“ (KI-SIGS). In Kooperation von Partnern an den Universitäten Lübeck, Kiel und Bremen, dem Universitätsklinikum Schleswig-Holstein (UKSH) sowie der Fa. Visotec GmbH und der UniTransferKlinik aus Lübeck werden neue KI-basierte Lösungen zur ophthalmologischen Diagnostik erarbeitet. Wesentliches Ziel der Arbeiten am Institut für Medizinische Informatik (IMI) ist die Entwicklung von optimierten Deep Neural Networks für die automatische KI-basierte Auswertung von dreidimensionalen OCT-Bildern (OCT: Optical Coherence Tomography) zur verbesserten Versorgung von Patienten mit Augenerkrankungen.

Anwendungsprojekte

AP 310

Ansprechperson: Prof. Dr. Reinhard Koch

Projektbeschreibung

Im Anwendungsprojekt iAuge werden in Kooperation von den Verbundpartnern an den Universitäten Lübeck, Kiel und Bremen, dem Universitätsklinikum Schleswig-Holstein (UKSH) sowie der Fa. Visotec GmbH und der UniTransferKlinik aus Lübeck neue KI-basierte Lösungen zur ophthalmologischen Diagnostik erarbeitet. Wesentliches Ziel der Arbeiten am Institut für Medizinische Informatik (IMI) ist die Entwicklung von optimierten Deep Neural Networks für die automatische KI-basierte Auswertung von dreidimensionalen OCT-Bildern (OCT: Optical Coherence Tomography) zur verbesserten Versorgung von Patienten mit Augenerkrankungen. Das Projekt wird vom Bundesministerium für Wirtschaft und Energie von 2020-2023 gefördert.

Im Rahmen von iAuge soll eine KI-Plattform für die Unterstützung der integrierten Versorgung von Patienten mit Augenerkrankungen wie z.B. der häufig auftretenden, altersbedingten Makuladegeneration (AMD) und der Retinopathia Centralis Serosa (RCS) etabliert werden. Neben der KI-Unterstützung der multimodalen Bildanalyse beim Augenarzt bzw. in der Klinik soll eine Deep-Learning-basiertes automatisierte Datenanalyse für eine völlig neuartige Homecare-OCT-Anwendung realisiert und auf der KI-SIGS-Plattform integriert werden. Dies soll dem Patienten eine Krankheitskontrolle zu Hause ermöglichen, wodurch eine wesentliche Therapieverbesserung insbesondere bei AMD-Patienten erwartet wird. Die kontinuierliche häusliche Kontrolle anhand Homecare-OCT-Bilder wird durch das am IMI entwickelte KI-System Verschlechterungen des Augenzustandes zu Hause automatisch erkennen und so individuell optimale Behandlungszeitpunkte ermitteln.

Ein technologisch neuartiger, mobiler OCT-Scanner wird von der Fa. Visotec GmbH für den Homecare-Bereich entwickelt (Abb. 1). Zusammen mit der Universitätsaugenklinik Kiel wurde die Technologie an unterschiedlichen Patientenkollektiven validiert und mit bereits etablierten, hochauflösenden OCT-Scannern verglichen. Die Fa. Visotec GmbH wird Bilddaten von Patienten zur Entwicklung der Algorithmen zur Verfügung stellen und strebt die Vermarktung des Gesamtsystems an. Die große Datenmenge der dreidimensionalen, täglich aufgenommenen Bilddaten erfordern neue intelligente, effiziente, Deep-Learning-basierte Auswertungsalgorithmen. Das IMI konzipiert und entwickelt hierfür problemoptimierte Deep-Learning-Netzwerke und Bildverarbeitungsalgorithmen, die relevante AMD-Biomarker (Abb. 2) in den Bilddaten des Homecare-OCT quantitativ erfassen sowie ihre zeitlichen Veränderungen und Relevanz zur Therapiesteuerung bewerten. Zusätzlich werden vorhandene, in der Klinik erhobene OCT-Bilder in den Entwicklungsprozess mit einbezogen. Parallel werden am Institut für Biomedizinische Optik (BMO) Rekonstruktionsverfahren weiterentwickelt, um Bewegungen auszugleichen und relevante Strukturen mit verbesserter Qualität darzustellen. Das für die Homecare-Anwendung notwendige kompakte und kostengünstige Design sowie eine selbstständige Nutzung durch meist ältere Patienten mit reduziertem Visus stellen besondere Anforderungen an Bedienung und Auswertung der Daten. Ein optimiertes Benutzerinterface für das Homecare-OCT-Gerät wird in Kooperation mit der AG Human Computer Interaction (Uni Bremen) entwickelt. In Kooperation mit der UniTransferKlinik Lübeck wird der praktische Einsatz des Systems über die zentrale KI-Plattform unterstützt und ein einsatzfähiger Demonstrator für die entwickelten KI-Methoden etabliert.

Kooperationspartner:

Prof. Dr. Heinz Handels und Dr. Timo Kepp

Institute for Medical Informatics (IMI) of the University of Lübeck

Prof. Dr. Gereon Hüttmann

Institute for Biomedical Optics (BMO) of the University of Lübeck

Prof. Dr. Johann Roider und Dr. Claus von der Burchard

Department for Ophthalmology, UKSH Campus Kiel (UKSH Kiel)

Prof. Dr. Johannes Schöning

AG Human Computer Interaction, University Bremen (Uni Bremen)

Prof. Dr. Reinhard Koch und Monty Santarossa, University of Kiel

Multimedia Information Processing Group, University Kiel (Uni Kiel)

Prof. Dr. Martin Leucker und Dr. Tim Suthau

UniTransferKlinik, Lübeck (UTK)

Helge Sudkamp

Fa. Visotec GmbH, Lübeck

Abb.1: Handgehaltener OCT-Scanner.

Abb. 2: Vergleich zweier Netzhautscans desselben AMD-Patienten mit Pigmentepithelabhebungen zwischen dem Spectralis OCT von Heidelberg Engineering (rechts) und dem Homecare-OCT von Visotec (links).

Projektposter

Publikationen

1) IfI, AK: SPIE_Medical_Imaging_Registration_Paper: Monty Santarossa, Ayse Tatli, Claus von der Burchard, Lars Schmarje, Claudius Zelenka, Stefan Reinhold, Johann Roider, and Reinhard Koch, “MedRegNet – Unsupervised Multimodal Retinal-Image Registration with GANs and Ranking Loss”, Proc. SPIE 12032, Medical Imaging 2022: Image Processing, 1203218 (4 April 2022); https://doi.org/10.1117/12.2607653

2) Full-field OCT techniques for in-vivo functional retina imaging and home monitoring of AMD, ARVO 2022, Denver, USA, 12.5.2022

3) IMI, BMO, AK: Kepp T., Andresen J., Sudkamp H., Burchard C., Roider J., Hüttmann G., Ehrhardt J., Handels H.Epistemic and Aleatoric Uncertainty Estimation for PED Segmentation in Home OCT ImagesIn: Maier-Hein K., Deserno T., Handels H., Maier A., Palm C., Tolxdorff T., Bildverarbeitung für die Medizin 2022, Heidelberg, Informatik Aktuell, Springer Vieweg, Wiesbaden, 32-37, 2022

4) IMI: Uzunova H., Basso L., Ehrhardt J., Handels H.Synthesis of annotated pathological retinal OCT data with pathology-induced deformationsIn: Proc. SPIE 12033, Medical Imaging 2022: Computer-Aided Diagnosis, San Diego, United States, SPIE, 12033, 2022

5) Ifl, AK, IMI: Santarossa, Monty, Ayse Tatli, Claus von der Burchard, Julia Andresen, Johann Roider, Heinz Handels, and Reinhard Koch. 2022. "Chronological Registration of OCT and Autofluorescence Findings in CSCR: Two Distinct Patterns in Disease Course" Diagnostics 12, no. 8: 1780. https://doi.org/10.3390/diagnostics12081780

6) UTK: "Philipp Bende, Olga Vovk, David Caraveo, Ludwig Pechmann and Martin Leucker: A Case Study on Data Protection for a Cloud- and AI-based Homecare Medical Device". HEDA 2022 Konferenz: https://cs.ttu.ee/events/heda-2022/
7) UB: Daniel Diethei, Ashley Colley, Lisa Dannenberg, Muhammad Fawad Jawaid Malik & Johannes Schöning (2021). The Usability and Trustworthiness of Medical Eye Images. ICHI 2021: IEEE International Conference on Healthcare Informatics (2021)

8) UB: Daniel Diethei, Ashley Colley, Matilda Kalving, Tarja Salmela, Jonna Häkkilä, and Johannes Schöning. 2020. Medical Selfies: Emotional Impacts and Practical Challenges. 22nd International Conference on Human-Computer Interaction with Mobile Devices and Services. Association for Computing Machinery, New York, NY, USA, Article 8, 1–12. https://doi.org/10.1145/3379503.3403555

Auszeichnungen: IMI: Auszeichnung von Leonie Basso mit dem Prof. Dr. Werner Petersen-Preis der Technik 2021 für ihre Masterarbeit unter Betreuung von Prof. Dr. Heinz Handels mit dem Titel: "Generierung synthetischer annotierter Retina-OCT-Bilder mit Generative Adversarial Networks" durch die Prof. Dr. Werner Petersen-Stiftung, Kiel, 13.12.21. Die Masterarbeit wurde im Kontext des KI-SIGS-Projektes iAuge durchgeführt und von Prof. Dr. Heinz Handels betreut.

Off

Anwendungsprojekte

Bewegungstraining

AP 390: Bewegungstraining

Projektposter

Individualisierte Hörhilfenanpassung

AP 380: Individualisierte Hörhilfenanpassung

Projektposter

Publikationen

PELVIS

AP 370: PELVIS

Projektposter

VIKOOB

AP 360: VIKOOB

Projektposter

Intelligenter Ultraschall-Aspirator

AP 350: Intelligenter Ultraschall-Aspirator

Projektbeschreibung

Projektposter

Publikationen

KI für radiologische Bildgebung in der Notfall- und Intensivmedizin

AP 340: KI für radiologische Bildgebung in der Notfall- und Intensivmedizin

RIDIMP

AP 330: RIDIMP

Projektposter

Digitaler Röntgenassistent

AP 320: Digitaler Röntgenassistent

Projektbeschreibung

Projektergebnisse

Ausblick

Projektposter

Publikationen

Erfindungsmeldung

Interviews + Videos

Homecare Augendiagnostik

AP 310: Homecare Augendiagnostik

Projektbeschreibung

Projektposter

Publikationen