Erzeugung von synthetischen Daten für Künstliche Intelligenz
Das Bundesministerium für Bildung und Forschung (BMBF) beabsichtigt mit der Richtlinie zur Förderung von Projekten zum Thema „Erzeugung von synthetischen Daten für Künstliche Intelligenz“ interdisziplinäre und anwendungsorientierte Forschungs- und Entwicklungsvorhaben zu fördern. Das Ziel der Förderrichtlinie ist es, neue Methoden zur Erzeugung synthetischer Daten für die Erstellung und Validierung von KI-Modellen zu entwickeln bzw. schon vorhandene Methoden zu verbessern oder auch gegebene personenbezogene Datenbestände zu anonymisieren. Durch die Maßnahme soll die Spitzenposition Deutschlands im Bereich KI gesichert und weiter ausgebaut werden. Die Förderung von Verbundprojekten soll hierbei den Transfer zwischen Wissenschaft und Wirtschaft zum Vorteil beider Parteien verstärken.
Synthetische Daten für computergestützte Analysen in der digitalen Pathologie
Künstliche Intelligenz (KI) revolutioniert die digitale Pathologie. Whole Slide Imaging (WSI) oder virtuelle Mikroskopie beinhaltet das Scannen (Digitalisieren) von Glasobjektträgern, um digitale Schnittbilder zu erzeugen. Ein breiter und skalierbarer Einsatz von KI-Verfahren in der diagnostischen Praxis und klinischen Forschung wird gegenwärtig noch durch einen Mangel an ausreichend großen Trainings- und Validierungsdatensätzen limitiert. Die Trainings- und Validierungsdatensätze müssen hierbei besonders umfangreich sein, um die große Vielfalt biologischer Muster und Herstellungsartefakte in digitalen WSI in der klinischen Realität repräsentativ abzudecken.
Ziel ist daher die Entwicklung neuartiger Methoden zur Datensynthese und das Erweitern synthetischer WSI. Die bestehenden Bilddatensätze sollen in realistischer Weise angereichert werden. Ebenfalls sollen Kenngrößen für die Repräsentativität von Bilddatensätzen in der Pathologie entwickelt werden. Bei dem Erweitern mittels Künstliche Intelligenz (Augmentierung) synthetischer WSIs werden unterschiedliche Techniken entwickelt und in eine gemeinsame Methoden-Toolbox integriert. Dies umfasst zum einen Augmentierungsmethoden zur Erhöhung der biologischen Variabilität: Hierbei werden die Veränderungen von Strukturen und Formen von Organismen, morphologischen Variationen, in unterschiedlich gefärbten WSI von sequentiellen Schnitten nutzbar gemacht. Zum anderen werden Methoden entwickelt, um bestehende Datensätze von Gewebebildern in repräsentativer Weise mit Herstellungsartefakten (z. B. Risse, Faltungen, Luftblasen, Fremdmaterial) zu augmentieren, indem aus Beispieldaten automatisch niedrigdimensionale Artefakt-Deskriptoren abgeleitet werden. Bei Deskriptoren handelt es sich eine Art Kenn- oder Schlüsselwort durch das der Inhalt einer Information charakterisiert wird, um die Daten einordnen und besser auffinden zu können. Weiterhin werden aus den Artefakt-Deskriptoren Metriken abgeleitet, mit denen sich die Repräsentativität eines Datensatzes messen lässt.
Die Projektergebnisse werden dazu beitragen, robuste KI-basierte Biomarker aus digitalen Gewebebildern deutlich schneller zu gewinnen. Um die Praxisrelevanz sicherzustellen, werden die Ergebnisse zusammen mit Partnern aus der Pharmaindustrie und der akademischen klinischen Forschung getestet und verwertet.
RWTH Aachen – Lehrstuhl für Bildverarbeitung (LfB)
Kopernikusstr. 16
52074 Aachen
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr Informationen