06.06.2025, 11:30 Uhr
Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien
Titel: Anatomically Coherent Image Segmentation of Optic Disc and
Cup
Kurzfassung:
Zur Diagnose von Grünem Star werden häufig Fundoskopien herangezogen, welche den
Sehnervenkopf und dessen Aushöhlung darstellen. Patienten, die an Grünem Star
erkranken, leiden an einem erhöhten Augeninnendruck, was zu Schäden am Sehnerv
führt und in besonders schlimmen Fällen mit der Erblindung des Patienten endet. Diese
Schäden können in Fundoskopien durch eine wachsende Aushöhlung erkannt werden.
Regelmäßige und flächendeckende Fundoskopien sind ein vielversprechender Kandidat zur
Früherkennung von Grünem Star, doch die manuelle Auswertung durch medizinisches
Fachpersonal ist zeitlich zu aufwendig für häufige Untersuchungen. Daher wurden in
den letzten Jahre einige auf Deep Learning basierende Methoden entwickelt, um den
Sehnervenkopf und dessen Aushöhlung in Fundoskopien zu segmentieren. Diese Masterarbeit
beschäftigt sich mit U-Net, dem Model, auf dem viele der neueren Methoden
aufbauen, und versucht anatomische Fakten in das Model zu integrieren. Das Ziel ist,
ein Model zu bauen, dessen Segmentierungen anatomisch korrekt sind. Außerdem wird
versucht, die benötigte Menge an annotierten Trainingsdaten zu reduzieren, da besonders
im medizinischen Bereich Daten rar sind, während einiges an Vorwissen oft ungenutzt
bleibt. Diese modifizierten Modelle werden dahingehend untersucht, wie dateneffizient sie
lernen, also wie gut sie bereits mit wenigen Datenpunkten funktionieren.