Name des Teilnehmers: Nishant Kumar
Projektbeschreibung: Die Entwicklung der Optischen Kohärenztomographie (OKT) und der Fundusfotografie hat die hochauflösende und nicht-invasive Darstellung der Netzhaut des menschlichen Auges ermöglicht, wodurch Kliniker Netzhauterkrankungen wie diabetische Retinopathie (DR), altersbedingte Makuladegeneration (AMD) und Glaukom erkennen können. Diese Netzhauterkrankungen können, wenn sie lange Zeit unentdeckt bleiben, bei einem erheblichen Teil der erwachsenen Weltbevölkerung zur Erblindung führen. Das Fortschreiten von Netzhauterkrankungen bis hin zum Verlust des Sehvermögens könnte verlangsamt werden, wenn die Krankheit rechtzeitig erkannt wird. Ein klinischer Experte könnte die Netzhautbilder auf das Vorhandensein von Läsionen in den Anfangsstadien der Krankheit untersuchen, um ein Fortschreiten der Krankheit bis hin zum Verlust des Sehvermögens zu verhindern. Die Erkennung der Netzhautläsionen mit Hilfe von manuellen Annotationen ist jedoch ein zeitaufwändiger Prozess mit hohen Anforderungen an klinisches Fachwissen und Ausrüstung. Zusätzlich ist die Verfügbarkeit von menschlichen Experten unzureichend, besonders in unterentwickelten Ländern mit hohen Diabetes-Raten in der lokalen Bevölkerung, weshalb eine kostengünstige Netzhauterkennung von größter Bedeutung ist. Daher ist der Bedarf an einer umfassenden Methode, die nur einen geringen manuellen Aufwand für das Netzhautscreening erfordert, schon lange erkannt worden.
Dieses Projekt beschäftigt sich mit der Entwicklung einer automatischen Erkennungsmethode zur Detektion von Netzhautläsionen anhand von klinisch aufgenommenen Netzhautbildern auf der Basis von unüberwachten lernbasierten neuronalen Netzen. Dazu sollen verschiedene Implementierungsmöglichkeiten erforscht, analysiert und Lösungen konzipiert werden, um eine hohe Leistungsfähigkeit und Genauigkeit des entwickelten Verfahrens zu erreichen. Um dies zu erreichen, wird auch eine umfangreiche Evaluation mit Testfällen durchgeführt, um auch solche Netzhautläsionen zu erkennen, die mit dem bloßen Auge extrem schwer zu finden sind. Außerdem soll die Lösung so präsentiert werden, dass sie auf unterschiedliche Kameraspezifikationen und Aufnahmeeinstellungen verallgemeinert werden kann. Eine der Prioritäten wird es sein, das im Rahmen des Projekts gewonnene Wissen an den Industriepartner zu übertragen, um es in der Praxis anwenden zu können.
Software Campus-Partner: TU Dresden, Zeiss
Umsetzungszeitraum: 01.04.2021 – 31.03.2023
