Zusammenfassung
Der Einsatz von Tiefen Neuronalen Netzen (Deep Learning) eröffnet neue Möglichkeiten
in der digitalen Bildverarbeitung. Auch für die Auswertung von Bilddaten in der Ophthalmologie
wird diese Methode erfolgreich eingesetzt und findet weite Verbreitung. In diesem
Artikel wird die methodische Vorgehensweise beim Deep Learning betrachtet und der
klassischen Vorgehensweise für die Entwicklung von Methoden für die digitale Bildverarbeitung
gegenübergestellt. Dabei wird auf Unterschiede eingegangen und die wichtiger werdende
Rolle von Trainingsdaten für die Modellbildung erklärt. Weiterhin wird die Vorgehensweise
des Transfer-Lernens (Transfer Learning) für Deep Learning am Beispiel eines Datensatzes
aus der kornealen Konfokalmikroskopie vorgestellt. Dabei wird auf die Vorteile der
Methode und auf Besonderheiten beim Umgang mit medizinischen Mikroskopdaten eingegangen.
Abstract
The use of deep neural networks (“deep learning”) creates new possibilities in digital
image processing. This approach has been widely applied and successfully used for
the evaluation of image data in ophthalmology. In this article, the methodological
approach of deep learning is examined and compared to the classical approach for digital
image processing. The differences between the approaches are discussed and the increasingly
important role of training data for model generation is explained. Furthermore, the
approach of transfer learning for deep learning is presented with a representative
data set from the field of corneal confocal microscopy. In this context, the advantages
of the method and the specific problems when dealing with medical microscope data
will be discussed.
Schlüsselwörter
digitale Bildverarbeitung - maschinelles Lernen - Tiefe Neuronale Netze - Transfer-Lernen
Key words
digital image processing - machine learning - deep learning - transfer learning
