2015 | OriginalPaper | Chapter
Überwachtes Lernen zur Prädiktion von Tumorwachstum
Authors : Christian Weber, Michael Götz, Franciszek Binczyck, Joanna Polanska, Rafal Tarnawski, Barbara Bobek-Billewicz, Hans-Peter Meinzer, Bram Stieltjes, Klaus Maier-Hein
Published in: Bildverarbeitung für die Medizin 2015
Publisher: Springer Berlin Heidelberg
Activate our intelligent search to find suitable subject content or patents.
Select sections of text to find matching patents with Artificial Intelligence. powered by
Select sections of text to find additional relevant content using AI-assisted search. powered by
In der Bestrahlungsplanung bei Hirntumoren wird typischerweise ein Sicherheitsabstand von 2 − 2, 5 cm um das im T2-Flair MR-Bild hyperintense Gebiet eingeplant. Verläßliche Vorhersagen des Tumorwachstums können dazu beitragen, die Strahlendosis noch besser auf gefährdete Regionen zu konzentrieren und gleichzeitig gesundes Gewebe zu schonen. Aktuelle Verfahren aus der Forschung nähern sich diesem Problem mit einer expliziten, generativen Modellierung des Wachstumsprozesses. Wir präsentieren ein alternatives, diskriminatives Verfahren. Mit Hilfe einer annotierten Datenbasis und überwachtem Lernen wird ein Wachstumsmodell trainiert und im nächsten Schritt auf ungesehene Daten angewendet. In allen 6 Testpatienten lieferte der Ansatz genauere Vorhersagen (DICE 0, 80±0, 09) als die bisherige Herangehensweise (DICE 0, 56 ± 0, 07).