Das
Distributed Data Mining Projekt

   
Medical Data Analysis
   

Für die klinische Diagnose einer pathologischen Bedingungen des menschlichen Körpers eine Vielzahl von anspruchsvollen Untersuchungsmethoden eingesetzt werden in diesen Tagen. Die meisten dieser Ansätze ergeben Unmengen von Bildern und Messdaten mit hoher räumlicher und / oder zeitliche Auflösungen, z. B. MRT, CT und Ultraschall. Um sicher zu werten diese Daten für diagnostische Zwecke, ist ein gewisses Maß an subjektiver Erfahrung seitens des Arztes erforderlich. Wegen der unterschiedlichen Gründen in üblichen klinischen Zeitrahmen die Menge der zur Verfügung stehende Zeit für die Analyse und Interpretation der gewonnenen Daten ist begrenzt. Als Ergebnis kann diagnostische Fehler auftreten, die schwerwiegende Folgen für die betroffenen Patienten haben.Durch Kombination der Bildverarbeitung und Datenanalyse Ansätze dieser entscheidenden diagnostischen Prozess objektiviert werden und automatisiert werden. So Computer-Aided Diagnosis können Systeme für den Arzt zur Verfügung gestellt werden, die Erleichterung seiner / ihrer klinischen Entscheidungsfindung und nachgiebig mehr zuverlässige Identifikation von pathologischen Veränderungen.


Computer-Aided Diagnosis
   

Computergestützte Diagnose (CAD) ist Verfahren in der Medizin, dass die Ärzte in der Interpretation von medizinischen Bildern zu unterstützen. Bildgebende Verfahren in der Röntgen-, MRI und Ultraschall-Diagnostik ergeben eine große Menge an Informationen, die der Radiologe hat, zu analysieren und zu bewerten umfassend in kurzer Zeit. CAD-Systeme helfen können digitale Bilder, aus der Computertomographie zB für typische Aussehen und auffällige Bereiche, wie zum Beispiel möglich, Krankheiten zu markieren.

CAD ist eine relativ junge interdisziplinäre Technologie kombiniert Elemente der künstlichen Intelligenz und der digitalen Bildverarbeitung mit radiologischen Bildverarbeitung. Eine typische Anwendung ist der Nachweis eines Tumors.Zum Beispiel verwenden einige Krankenhäuser CAD vorbeugende ärztliche Untersuchungen in der Mammographie (Diagnose von Brustkrebs), die Detektion von Polypen im Dickdarm-und Lungenkrebs zu unterstützen. In DDM wir Techniken des maschinellen Lernens für die automatische Identifikation von Stimmstörungen.

   
Larynx-High-Speed-Video-Einstufung
   

Ein besonderes Interessengebiet in diesem medizinischen Kontext ist die automatische Identifizierung von Stimmstörungen, was wahrnehmbar Heiserkeit. Üblicherweise für diesen Zweck Audioaufnahmen der akustischen Sprachsignal werden mit spezieller Software Quantifizierung der Menge der Störung (Rauschen) in das Signal analysiert. Allerdings ist diese Art der akustischen Analyse nicht für die eindeutige Zuordnung bestimmter Krankheitsbilder zu einer deutlichen Satz Störung Parameter ermöglichen. Ein aufschlussreicher Ansatz für die Sprach-Diagnose besteht in der endoskopischen Untersuchung des Klang erzeugenden Stimmbänder im Kehlkopf durch digitale High-Speed-Kameras.Diese Kameras sind in der Lage die Aufnahme der Kehlkopf-Bewegungen mit einer Bildrate von mehreren tausend Bildern pro Sekunde und damit, so dass für schlüssige Echtzeit-Analyse. Allerdings ist die Aufgabe manuell die Analyse der resultierenden High-Speed-Videos zeitaufwändig und fehleranfällig. Durch automatisierte Merkmalsextraktion von den Aufnahmen und die anschließende Analyse des maschinellen Lernens, kann laryngealen Bewegungsmuster quantitativ erfasst werden und automatisch nach unterschiedlichen diagnostischen Klassen (z. B. organische und funktionelle Dysphonie) eingestuft. Durch die distributedDataMining Infrastruktur, wir eine große Anzahl von maschinellen Lernens Paradigmen (zB Support Vector Machines, Künstliche Neuronale Netze) und die entsprechenden Parameter Optimierungsstrategien (zB Grid suchen, Evolution Strategie, Genetische Algorithmen) ausgewertet. Diese vorläufige Auswertung Schritt erlaubt es uns, bestimmte Lern-Programme und Parameter, die vor allem für die als klinische Einstufung Aufgabe geeignet sind, zu identifizieren. Details zu der vorgeschlagenen Methodik und die erhaltenen Klassifizierung Ergebnisse können in [1], [2] und [3].

Referenzen

    Voigt D.Objektive Analyse und Klassifikation der Stimmlippen Dynamics von Larynx-High-Speed-Aufnahmen. Aachen: Shaker Verlag GmbH; 2010.
    Voigt D, Döllinger M, Braunschweig T, Yang A, Eysholdt U, Lohscheller J. Klassifizierung von funktionellen Stimmstörungen auf phonovibrograms basiert. Artificial Intelligence in Medicine. 2010; 49 (1) :51-9.
    Voigt D, Lohscheller J, Döllinger M, Yang A, Eysholdt U. Automatische Diagnose der Stimmlippen Parese durch den Einsatz von phonovibrogram Funktionen und Methoden des maschinellen Lernens. Comput Methods Programme Biomed. 2010; 99 (3) :275-88.

UNSER TEAM: