SPAplus: Small Data Probleme in der digitalen Pathologie und programmbegleitende Maßnahmen; Teilvorhaben 1: Invertierbare Netzwerkarchitekturen zur Data Augmentation und programmbegleitende Maßnahmen (UniHB), Teilvorhaben 2: Adversarial Regularisierungsmethoden für neuronale Netzwerke mit wenig Trainingsdaten (UniSI)

Abstract

Das SPA+-Projekt verfolgte zwei grundlegende Ziele. Zum einen stand die mathematische Forschung zu Methoden des Deep Learning sowie deren Anwendung auf ein Problem der medizinischen Diagnostik im Mittelpunkt des wissenschaftlichen Teils des Projektes. SPA+ verwendete dazu Methoden aus den Bereichen Modellreduktion und Modelladaption, mathematische Bildverarbeitung und Datenanalyse sowie aus der mathematischen Theorie des maschinellen Lernens und deren Algorithmen. Konkret wurde ein Konzept zur histopathologischen Tumordiagnostik (Lunge, Brust) auf Basis von Deep Learning Methoden analysiert. Es wurden daher Methoden zur Tumorklassifikation anhand digitaler Mikroskopiebilder von Hämatoxylin und Eosin (H&E) gefärbten Gewebeschnitten entwickelt. Neben einer hohen Genauigkeit war eine gute Nachvollziehbarkeit der Klassifikationsergebnisse notwendig, um hohe klinische Akzeptanz zu erreichen. Zum anderen wurden programmbegleitende Maßnahmen durchgeführt, in denen Projektvorschläge von Industriepartnern und Hochschulen eingeholt wurden, die im Rahmen der sogenannten Innovation Labs von studentischen Kleingruppen bearbeitet wurden. Das Projekt wurde in drei verschiedene Teilvorhaben gegliedert, die jeweils von einem Projektpartner des gesamten Verbundes geleitet wurde. Der vorliegende Schlussbericht fokussiert sich auf das Teilvorhaben 1 („Invertierbare Netzwerkarchitekturen zur Data Augmentation und programmbegleitende Maßnahmen“) und das Teilvorhaben 2 („Adversarial Regularisierungsmethoden für neuronale Netzwerke mit wenig Trainingsdaten“), die hauptverantwortlich jeweils von der Universität Bremen (UniHB) und der Universität Siegen (UniSI) bearbeitet werden. Für eine nähere Beschreibung des Teilvorhabens 3 („Modellbasierte Daten und Label-Erzeugung mit probabilistischen generativen Netzen“) verweisen wir auf den Schlussbericht der Carl von Ossietzky Universität Oldenburg (UniOL). Datei-Upload durch TIB