MedTech · Medizinische Bildgebung und OP-Planung
Anatomische Segmentierung, die Stunden dauerte, dauert jetzt Sekunden
Vor jeder Operation, die auf MRT- oder CT-Bildern beruht, zeichnet jemand die relevanten anatomischen Strukturen von Hand ein: Knochen, Gefäße, Hirnventrikel, Schicht für Schicht. Wir haben KI-Modelle entwickelt, die diese Segmentierung für die Plattform VSI HoloMedicine® von apoQlar automatisch erledigen und aus Stunden manueller Arbeit Sekunden machen.
Ergebnisse
Kunde: apoQlar
Ein MedTech-Unternehmen aus Hamburg und Entwickler von VSI HoloMedicine®, einer Plattform, die Extended-Reality-Brillen für die 3D-OP-Planung und die Patientenaufklärung nutzt.
- Branche
- MedTech
- Anwendungsfall
- Anatomische Segmentierung für die OP-Planung
- KI-Ansatz
- U-Net-Varianten und Deep Learning
- Bildgebung
- MRT- und CT-Aufnahmen
- Plattform
- Azure ML mit Microsoft InnerEye
- Integration
- VSI HoloMedicine® auf XR-Brillen
Kurz gefasst
Der Schritt, an dem jedes 3D-Modell hing
- VSI HoloMedicine® zeigt Chirurgen die Anatomie eines Patienten dreidimensional in einer XR-Brille, aufgebaut aus dessen eigenen MRT- und CT-Daten.
- Das funktioniert erst, wenn die Strukturen segmentiert sind, und Radiologen oder Techniker zeichneten sie von Hand, Schicht für Schicht, stundenlang pro Patient.
- Wir haben eine Reihe von U-Net-Modellen gebaut, eine eigene Variante für jede Strukturart, trainiert mit fachspezifischen Bilddaten und von den jeweiligen Fachärzten validiert.
- Die Segmentierung dauert jetzt Sekunden statt Stunden, das Ergebnis ist gleichbleibend, und die ganze Pipeline ist so dokumentiert, dass sie sich reproduzieren lässt.
Die Ausgangslage
Die Aufgabe
Jede 3D-Visualisierung für eine Operation hing an einer manuellen Segmentierung, die pro Patient Stunden dauerte.
VSI HoloMedicine® lässt Chirurgen die Anatomie eines Patienten dreidimensional in einer Extended-Reality-Brille sehen, aus echten MRT- und CT-Daten, eingeblendet in ihr Sichtfeld. Ein starkes Werkzeug für OP-Planung und Patientenaufklärung, mit einer entscheidenden Voraussetzung: segmentierten anatomischen Strukturen.
Diese Segmentierung, das Erkennen und Einzeichnen von Knochen, Blutgefäßen und Hirnventrikeln auf den Aufnahmen, geschah von Hand. Radiologen oder ausgebildete Techniker gingen die Bilddaten Schicht für Schicht durch und zeichneten jede Struktur nach. Ein einzelner Patient konnte Stunden kosten.
Damit war die Segmentierung der größte Engpass zwischen den Bilddaten und dem nutzbaren 3D-Modell. Sie begrenzte, wie viele Fälle die Plattform bewältigen konnte, und bremste genau dort, wo Tempo zählt: vor der Operation.
Der Bau
Was wir gebaut haben
In enger Zusammenarbeit mit dem Team von apoQlar und mit Fachärzten verschiedener Disziplinen haben wir eine Reihe von KI-Modellen entwickelt, die anatomische Strukturen in MRT- und CT-Aufnahmen automatisch segmentieren.
Mehrere Strukturen, jede mit eigenem Modell
Die Modelle decken nicht nur einen Fall ab. Sie segmentieren Knochen, Blutgefäße und Hirnstrukturen einschließlich der Ventrikel, und für jede davon brauchte es eine eigene Modellvariante, trainiert mit fachspezifischen Bilddaten und von den jeweiligen Fachärzten geprüft.
U-Net, angepasst an jedes Ziel
Wir haben Varianten der U-Net-Architektur eingesetzt, dem Standard der medizinischen Bildsegmentierung, und sie für jede anatomische Struktur angepasst und optimiert. Die Modelle segmentieren über unterschiedliche Patientenaufnahmen hinweg durchgehend genau.
Dokumentiert und reproduzierbar
In der medizinischen KI zählt, wie ein Modell entstanden ist, ebenso wie seine Leistung. Die gesamte Pipeline läuft auf Microsoft Azure Machine Learning und Microsoft InnerEye, mit vollständiger Dokumentation von Datensätzen, Trainingsverfahren, Bewertungsmetriken und Bereitstellung. Jedes Modell ist reproduzierbar, dieselben Eingaben liefern dieselben Ergebnisse, und der Weg dorthin ist lückenlos nachvollziehbar.
Direkt in die XR-Brille
Die Segmentierung fließt direkt in VSI HoloMedicine®, wo Chirurgen über XR-Brillen, darunter Meta Quest, mit den anatomischen 3D-Modellen arbeiten. Die KI liefert nicht nur Daten, sondern Daten, die sofort in der OP-Planung einsetzbar sind.
Was sich geändert hat
Das Ergebnis
Vorher
Manuelle Segmentierung Schicht für Schicht, stundenlang pro Patient. Begrenzter Durchsatz, Ergebnisse je nach Person unterschiedlich, und ein Engpass vor jedem Eingriff.
Nachher
Automatische Segmentierung in Sekunden, gleichbleibende Qualität über Patienten und Bildgebungsarten, reproduzierbare Pipelines und das Ergebnis direkt in der 3D-OP-Planung.
Der Engpass ist beseitigt. Was Stunden an Spezialistenzeit kostete, dauert jetzt Sekunden, mit gleichbleibenden, reproduzierbaren Ergebnissen. Chirurgen haben ihre 3D-Modelle früher, und die Plattform kann deutlich mehr Fälle bewältigen.
Das Muster reicht über das Gesundheitswesen hinaus: Wo eine Fachkraft Stunden mit einer wiederkehrenden, strukturierten Aufgabe im kritischen Pfad verbringt, kann KI das oft auf Sekunden verkürzen, einheitlicher machen und einen vollständigen Prüfpfad hinterlassen.
Auf derselben Plattform haben wir außerdem ShareMedix integriert, für die Anonymisierung von OP-Videos und -Bildern, bevor sie geteilt oder veröffentlicht werden. Masken, Brillen und Stirnlampen machen normale Gesichtserkennung im OP unzuverlässig. ShareMedix ist auf genau solches Bildmaterial trainiert und ersetzt einen manuellen Schritt, der Ärzte oft davon abhielt, klinische Inhalte überhaupt zu teilen.
Fragen zu diesem Projekt
Anatomische Segmentierung für die OP-Planung. Jede 3D-Visualisierung für eine Operation hing an einer manuellen Segmentierung, die pro Patient Stunden dauerte.
Manuelle Segmentierung von Stunden auf Sekunden: Std. → Sek.. Modelle für beide Bildgebungsverfahren: MRT + CT. Datensätze, Training und Auswertung vollständig dokumentiert: Nachvollziehbar. Reproduzierbare Pipelines auf Microsoft Azure: Azure ML.
U-Net-Varianten und Deep Learning. Eingesetzte Technik: Deep Learning, U-Net-Architektur, Medizinische Bildsegmentierung, MRT- und CT-Analyse, Microsoft Azure ML, Microsoft InnerEye, Reproduzierbare ML-Pipelines, ShareMedix Videoanonymisierung.
Eingesetzte Technik
Sprechen Sie mit dem Team dahinter
theBlue.ai meldet sich innerhalb eines Werktags.
Weitere Referenzen
MedTech · Compliance und Prozessautomatisierung
Sicherheitsfragebögen beantwortet in einer Woche statt in einem Monat
Mehr lesen
MedTech · Interne Prozessautomatisierung
Hunderte Produktdokumente, beantwortet in Sekunden, mit Quelle
Mehr lesen
Gesundheitswesen · Medizinische Bildgebung und Neurologie