Disputation Michael Baumgartner Generalised Medical Object Detection via Self-Configuring Method Design

Die steigende Anzahl an volumetrischen medizinischen Bildaufnahmen führt zu einer wachsenden Arbeitslast für Kliniker, wodurch der Bedarf nach automatisierter computergestützter Diagnostik wächst. Klinische Entscheidungsfindung beruht häufig auf diagnostischen Aufgaben, die direkt in die Lokalisierung und Klassifikation kritischer Pathologien wie Gefäßverschlüsse, Lungen Runherden, Aneurysmen und Tumoren übersetzt werden können. Objekterkennungsmethoden können lernen, solche Pathologien in einem End-to-End-Ansatz zu identifizieren und bieten dadurch großen Nutzen, indem sie diagnostische Aufgaben direkt lösen. Die Einführung dieser Methoden im medizinischen Bereich wird jedoch durch begrenzte Erfahrung und die komplexe Konfiguration anwendungsspezifischer Parameter behindert. Diese Dissertation präsentiert zunächst drei Fallstudien, in denen Erkennungsmethoden manuell konfiguriert wurden: (1) zur Identifizierung mediastinaler Läsionen, (2) zur Erkennung von Gefäßverschlüssen und (3) eine explorative Studie zur Verwendbarkeit von Detection Transformer (DETR) Modellen für volumetrische Bilder. Anschließend wird die erste selbstkonfigurierende volumetrische Erkennungsmethode vorgestellt, genannt nnDetection. Diese Methode wurde entwickelt und evaluiert für eine beispiellose Anzahl von volumetrischen Erkennungsaufgaben und wurde als Teil mehrerer gewinnender Beiträge in internationalen Wettbewerben eingesetzt. Diese Dissertation legt das Fundament für zukünftige Forschungen in diesem Bereich, indem sie den Wandel hin zur Entwicklung generalisierbarer medizinischer Objekterkennungsmethoden vorantreibt.