Masterarbeit »KI-gestützte Analyse und Qualitätsprüfung von Röntgenbildern«

Wir geben Daten neue Räume. Und Dir die Chance auf einen unterstützenden Praxispartner mit einem hochrelevanten Thema für Deine Masterarbeit. Veränderung startet mit uns. Am Fraunhofer-Institut für Software- und Systemtechnik ISST in Dortmund leisten wir mit rund 170 Mitarbeitenden angewandte Spitzenforschung für den Digitalisierungsstandort Europa. Wir helfen Wirtschaft und Gesellschaft dabei, Daten souverän in Datenräumen (Data Spaces) zu teilen und ihren Wert voll auszuschöpfen – zum Beispiel im Gesundheitswesen, in der industriellen Fertigung oder mit Blick auf die Mobilität in smarten Städten. Hintergrund der Masterarbeit: In der Notfallmedizin zählt jede Minute. Röntgenaufnahmen des Brustkorbs, sogenannte Thorax-Röntgenbilder, können wichtige Hinweise auf akute Erkrankungen liefern. Gleichzeitig müssen Bilder auf ihre technische Qualität geprüft und auffällige Aufnahmen zuverlässig erkannt werden. Künstliche Intelligenz kann dabei helfen, medizinisches Personal zu unterstützen und die Befundung gezielter zu priorisieren. Im Rahmen eines Forschungsprojekts entwickeln wir gemeinsam mit klinischen Partnern ein KI-basiertes »Clinical Decision Support System« (CDSS) zur Unterstützung der Befundung von Thorax-Röntgenaufnahmen in der Notfallmedizin. Es soll dabei helfen, kritische Befunde wie einen Pneumothorax (Luft im Brustkorb außerhalb der Lunge) zu erkennen, technische Bildqualitätsmängel frühzeitig zu identifizieren und die Reihenfolge der radiologischen Befundung risikoorientiert zu unterstützen. Dabei steht die Zuverlässigkeit der Ergebnisse im Mittelpunkt. Für erste Untersuchungen steht ein Datensatz mit rund 200 Thorax-Röntgenaufnahmen zur Verfügung. Auf dieser Grundlage entwickelst Du im Rahmen Deiner Masterarbeit einen funktionsfähigen KI-Prototyp und untersuchst, wie zuverlässig sich damit unauffällige Aufnahmen erkennen und/oder technische Bildqualitätsmängel identifizieren lassen. Dabei nutzt Du moderne Deep-Learning-Verfahren, insbesondere Transfer Learning, um vortrainierte Modelle an die vorhandenen Daten anzupassen. Du untersuchst außerdem, wie zuverlässig die Vorhersagen sind, wie sich die Modellentscheidungen nachvollziehbar machen lassen und welche Anforderungen sich daraus für einen sicheren Einsatz im klinischen Umfeld ergeben.