🚀 go-pugleaf

--------------------------------------------------------------------------

                                                      K        K  I
F O R S C H U N G S K O L L O Q U I U M               KK     KK   II
                                                      KKK  KKK    III
im Sommersemester 1999                                                KKK KKK     III
                                                      KKKKKK      III
                                                      KKK  KKK    III
                                                      KKK   KKK   III
                                                      KK      KK   II
                                                      K         K   I
Dienstag, den 27. April 1999
16.00 - 18.00 Uhr
Raum  FR 0041
--------------------------------------------------------------------------
ANWENDUNG VON LERNVERFAHREN IN DER MEDIZINISCHEN MIKKROSKOPBILDVERARBEITUNG

                               Peter Hufnagl
                               Charite Berlin

Die Mikroskopbildanalyse wird seit 30 Jahren intensiv entwickelt und
betrieben. In der Medizin und Biologie liegen die wichtigsten
Anwendungsziele in der Objektivierung von mikroskopischen Befunden und
in der Entlastung hochqualifizierter Mitarbeiter von Routinearbeit bei
der Auswertung von großen Schnittserien. Einige moderne
Mikroskopieverfahren (insbesondere Scanningverfahren) sind ohne
Computers nicht realisierbar. Lernverfahren werden in der
Mikroskopbildanalyse auf verschiedenen aufeinander aufbauenden Ebenen
eingesetzt.     

Anwendungsebenen für Klassifikatoren
- Bildsegmentierung
- Objekterkennung
- Objektzuordnung unter Randbedingungen
- Strukturerkennung
- Zuordnung Fall zu Diagnose oder Krankheitsverlauf

Eine Reihe von Problemen treten vornehmlich bei der Klassifikation
biomedizinischer Objekte auf (Biologische Variabilität, Kleine
Anzahlen, Artefakte, Fließende Übergänge, Verteilungen weichen stark
von üblichen Modellen ab). Prinzipiell werden sehr unterschiedliche
Klassifikationsverfahren eingesetzt. Multiple Entscheidungsbäume haben
sich jedoch als sehr effektiv erwiesen. 

Multiple Entscheidungsbäume 
Entscheidungsbäume nutzen den Merkmalsraum oft nur wenig aus. Paßt man
in Teilräumen Entscheidungsbäume an und führt die Ergebnisse zu einer
Klassifikationsentscheidung zusammen, so sind die entstehenden
Klassifikatoren stabiler. Es werden Verfahrensweisen zur Zerlegung des
Merkmalsraumes und zur Entscheidungstrategie durch Verknüpfung der
Ergebnisse der Einzelklassifikatoren vorgestellt. 

Komperative genomische Hybridisierung (CGH)
Im Anwendungsbeispiel CGH werden verschieden Ansätze miteinander
verglichen. Die CGH ist eine komplexe Methode, die Verfahren aus der
Zytogenetik, Molekularbiologie, Fluoreszenzmikroskopie und der
digitalen Bildanalyse umfaßt (Kallioniemi et al. 1992). Sie dient der
Bestimmung von chromosomalen Unterschieden zwischen Tumorgenom und
normalem Genom, mit dem Ziel, prognostische Aussagen über den Tumor
machen zu können. Die CGH  eignet sich gut um die Komplexität der
Klassifikationsprozesse in der Mikroskopbildanalyse zu demonstrieren.

--------------------------------------------------------------------------

TU Berlin
FG Methoden der Künstlichen Intelligenz
Franklinstr. 28/29, FR 5-8
10587 Berlin

--------------------------------------------------------------------------
--------------------------------------------------------------------------
  Das aktuelle Kolloquiumsprogramm finden Sie im WWW unter 

                http://ki.cs.tu-berlin.de/col.html 
--------------------------------------------------------------------------
-------------------
-- 
### Peter Geibel 
### TU Berlin, KI, Sekr. FR 5-8, Franklinstr. 28/29, D-10587 Berlin
### Tel. +49-30-314-25491, Fax +49-30-314-24913
### http://www.cs.tu-berlin.de/~geibel, mailto:geibel@cs.tu-berlin.de