Klin Monbl Augenheilkd 2019; 236(12): 1399-1406
DOI: 10.1055/a-1008-9400
Übersicht
Georg Thieme Verlag KG Stuttgart · New York

Digitale Bildverarbeitung und Tiefe Neuronale Netze in der Augenheilkunde – aktuelle Trends

Digital Image Processing and Deep Neural Networks in Ophthalmology – Current Trends
Andreas Bartschat
1   Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen
,
Stephan Allgeier
1   Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen
,
Sebastian Bohn
2   Augenklinik, Universitätsmedizin Rostock
3   Department Leben, Licht und Materie, Universität Rostock
,
Tim Scherr
1   Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen
,
Denis Blessing
1   Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen
,
Klaus-Martin Reichert
1   Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen
,
Markus Reischl
1   Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen
,
Oliver Stachs
2   Augenklinik, Universitätsmedizin Rostock
3   Department Leben, Licht und Materie, Universität Rostock
,
Bernd Koehler
1   Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen
,
Ralf Mikut
1   Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen
› Author Affiliations
Further Information

Publication History

eingereicht 26 July 2019

akzeptiert 02 September 2019

Publication Date:
31 October 2019 (online)

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.