Logo der Physikalisch-Technischen Bundesanstalt

Maschinelles Lernen zur Qualitätssicherung in der Mammografie

01.04.2020

Im Mammografie-Screening müssen die Risiken durch die eingesetzte Röntgenstrahlung mit dem potenziellen Gewinn einer rechtzeitig erkannten Brustkrebserkrankung sorgfältig abgewogen werden. Grundsätzlich gilt: Je höher die eingesetzte Strahlendosis, desto besser die resultierende Bildqualität und desto höher die Chance, Brustkrebs in einem frühen Stadium sicher erkennen zu können. Daher ist ein objektives und möglichst genau ermittelbares Maß für die Bildqualität erforderlich, um einen optimalen Kompromiss für die eingesetzte Strahlendosis zu gewährleisten.

Mittels Mammografie lassen sich auällige Strukturen in der Brust frühzeitig erkennen und behandeln. (Foto: dpa)

Mittels Mammografie lassen sich auällige Strukturen in der Brust frühzeitig erkennen und behandeln. (Foto: dpa)

Heutzutage wird die Bildqualität in der Mammografie durch den Grad der Erkennbarkeit von kleinen Strukturen auf einem technischen Phantom ermittelt. Während früher vor allem Radiologen eingesetzt wurden, die die entsprechenden Bilder begutachtet und Signale erfolgreich oder erfolglos detektiert haben, werden heute mathematische Verfahren, sogenannte „model observers“, verwendet. Dabei sind mehrere, fehleranfällige Schritte der Datenprozessierung erforderlich, um aus einer Vielzahl an Bildern die Bildqualität verlässlich bestimmen zu können.

Die PTB hat mit den modernen Methoden des maschinellen Lernens ein alternatives Verfahren entwickelt, mit dem die Bildqualität in der Mammografie erstmals automatisiert mittels einzelner Bilder bestimmt werden kann. Die neue Methode ist robust und deutlich genauer als die bisher eingesetzten Verfahren.

[ zurück ]