Frakturen im Handgelenksbereich gehören zu den häufigsten unfallbedingten Verletzungen, welche in der Handchirurgie behandelt werden müssen. Für die Diagnose werden standardmässig Röntgenbilder der Handgelenksknochen erfasst. Die Interpretation bedarf erfahrene Radiologen und kann teilweise subjektiv sein. Aus insgesamt 729 Röntgenbilder konnte ein Deep Learning Segmentierungsmodell erstellt werden, dass Frakturlinien erkennen kann.
Python, PyTorch, Data Science, Deep Learning, Computer Vision, Segmentierung, Handgelenk, Fraktur
In diesem Projekt soll ein Ansatz zur Klassifikation pro Pixel mittels Segmentierungsmodellen entwickelt werden. Da bestehende Segmentierungsmodelle Probleme mit sehr dünnen Segmenten (Frakturlinien) haben, soll dafür ausserdem eine passende Label- oder modellbasierte Lösung gefunden werden.
Frakturen im Handgelenksbereich gehören zu den häufigsten unfallbedingten Verletzungen, welche in der Handchirurgie behandelt werden müssen. Für die Diagnose werden standardmässig Röntgenbilder der Handgelenksknochen erfasst. Neben der Diagnostik und der Abklärung von Behandlungsoptionen dienen diese dem Chirurgen auch als wichtige Informationsquelle bei allfälligen Operationen. Deep Learning und insbesondere Convolutional Neural Networks (CNNs) haben sich in den letzten Jahren in der Bild- und Objekterkennung als State-of-the-Art etabliert. Von besonderem Interesse sind dabei Segmentierungsnetzwerke, welche zum Ziel haben, eine pixelweise Klassifikation von Gewebearten vorzunehmen – oder von Bruchzonen in Handgelenken. In Zusammenarbeit mit Handchirurgen vom Kantonsspital Baselland (KSBL) wurde in zwei vorhergehenden Studierendenarbeiten die Machbarkeit der Erkennung von Handgelenksbrüchen mittels Deep Learning auf Röntgenaufnahmen geprüft. Mittels Modelle zur Bild-Klassifikation oder zur Objekterkennung in Bildern konnte gezeigt werden, dass die Erkennung von Brüchen prinzipiell möglich ist.
Im Rahmen dieses Projekts konnte erfolgreich gezeigt werden, dass Segmentierungsmodelle (U-Net, Mask R-CNN) dünne Frakturlinien im Handgelenkbereich erkennen können. Die Arbeit zeigt weiter die Schwierigkeit der Evaluation von Segmentierungsmodellen auf. Eine visuelle Inspektion der Segmentierung hat sich als Ergänzung als nützlich erwiesen.
Projektdauer: 1. Semester, Arbeitsaufwand: 6 ETCS (180 STD), Team: 2 Personen
Kantonsspital Baselland, Rheinstrasse 26, Liestal
