Fluid Detection and Analysis in Ultrasonic Image Data Applying Artificial Intelligence
Alternative
Flüssigkeitserkennung und Analyse in Ultraschallbilddaten mit Hilfe von KI
Abstract
The fast recognition and treatment of internal injuries can have an essential impact on the patient's disease process. The application of an ultrasound device and the associated FAST protocol have been established standards used for decades for the initial detection of free fluids. Especially with ultrasound, the acquisition and evaluation of ultrasound data is very dependent on the experience of the ultrasound operator. Therefore, the automatic detection of fluids would be especially important for less experienced operators. In this thesis, the feasibility of artificial intelligence (AI) methods to automatically detect fluids in ultrasound image data is addressed. It is also evaluated how accurate the methods can distinguish between free and nonfree fluids. In particular, different variations of the state-of-the-art U-net and its effect on the results are investigated. The success of supervised learning methods is highly dependent on the design of the method, such as the architecture of the neural network, but also on the given input data. AI methods, such as the U-net, are characterized by the fact that they can be applied to different problems. Overall, the study shows that the U-net architecture provides promising results for this problem on the given data set. The potential as well as the weaknesses of the selected methods are discussed in detail in the following.
;
Die Schnelligkeit der Erkennung und Behandlung von inneren Verletzungen kann den Krankheitsverlauf des Patienten massiv beeinflussen. Die Anwendung eines Ultraschallgeräts und das dazugehörige FAST Protokoll sind seit Jahrzehnten etablierte Standards, die zur ersten Erkennung von freien Flüssigkeiten genutzt werden. Besonders bei Ultraschall ist die Bedienung und Evaluation der Ultraschalldaten sehr abhängig von der Erfahrung des Ultraschallbedieners, weshalb hier eine automatische Erkennung von Flüssigkeiten für weniger erfahrene Bediener besonders wichtig ist. In dieser Arbeit wird auf die Eignung von Methoden der künstlichen Intelligenz (KI) eingegangen, die Flüssigkeiten in Ultraschallbilddaten automatisch erkennen sollen. Außerdem wird evaluiert, wie gut die Methoden zwischen freien und unfreien Flüssigkeiten unterscheiden können. Dabei sind vor allem verschiedene Variationen des State-of-the-Art U-nets und dessen Auswirkung auf das Ergebnis untersucht worden. KI Methoden, wie das U-net, zeichnen sich dadurch aus, dass sie auf verschiedene Probleme anwendbar sind. Der Erfolg von Methoden des überwachten Lernens ist dabei sehr abhängig von dem Design der Methode, wie z.B der Architektur des neuronalen Netzwerks, aber auch von den gegebenen Daten. Insgesamt zeigt die Untersuchung, dass die U-net Architektur auch bei dieser Problemstellung vielversprechende Ergebnisse auf dem gegebenen Datenset liefert. Dafür wird im Folgenden ausführlich auf das Potential als auch auf die Schwächen der ausgewählten Methoden eingegangen.
