KI basierte automatische Lymphknotendetektion für Ultraschall

Mit der steigenden Geschwindigkeit im Umgang mit großen Datenmengen kam es in den letzten Jahren zu großen Fortschritten in der Stärke von lernenden Systemen. Diese Arbeit zeigt ein mittelgroßes Modell, welches auch mit weniger Daten gute Ergebnisse produziert. Dabei gebe ich Erklärungen für die einzelnen Teile der Architektur und ihrer Auswirkung auf das Lernen, sowie Vergleiche mit aktuellen Modellen. Ich zeige anhand verschiedener Metriken die Lernkraft der Modelle auf 2-dimensionalen Ultraschallbildern. Anschließend zeige ich, wie gut diese Modelle für 3-dimensionale Daten segmentieren. Dabei wird ersichtig, dass die Diversität von Daten wichtig für die Generalisierung der statistischen Modelle ist und wie trügerisch gut die Metriken sein können, wenn nur auf einem limitiereten Datensatz gelernt wird.