TY - JOUR A1 - Souza Jr., Luis Antonio de A1 - Mendel, Robert A1 - Strasser, Sophia A1 - Ebigbo, Alanna A1 - Probst, Andreas A1 - Messmann, Helmut A1 - Papa, João Paulo A1 - Palm, Christoph T1 - Convolutional Neural Networks for the evaluation of cancer in Barrett’s esophagus: Explainable AI to lighten up the black-box JF - Computers in Biology and Medicine N2 - Even though artificial intelligence and machine learning have demonstrated remarkable performances in medical image computing, their level of accountability and transparency must be provided in such evaluations. The reliability related to machine learning predictions must be explained and interpreted, especially if diagnosis support is addressed. For this task, the black-box nature of deep learning techniques must be lightened up to transfer its promising results into clinical practice. Hence, we aim to investigate the use of explainable artificial intelligence techniques to quantitatively highlight discriminative regions during the classification of earlycancerous tissues in Barrett’s esophagus-diagnosed patients. Four Convolutional Neural Network models (AlexNet, SqueezeNet, ResNet50, and VGG16) were analyzed using five different interpretation techniques (saliency, guided backpropagation, integrated gradients, input × gradients, and DeepLIFT) to compare their agreement with experts’ previous annotations of cancerous tissue. We could show that saliency attributes match best with the manual experts’ delineations. Moreover, there is moderate to high correlation between the sensitivity of a model and the human-and-computer agreement. The results also lightened that the higher the model’s sensitivity, the stronger the correlation of human and computational segmentation agreement. We observed a relevant relation between computational learning and experts’ insights, demonstrating how human knowledge may influence the correct computational learning. KW - Deep Learning KW - Künstliche Intelligenz KW - Computerunterstützte Medizin KW - Barrett's esophagus KW - Adenocarcinoma KW - Machine learning KW - Explainable artificial intelligence KW - Computer-aided diagnosis Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:898-opus4-20126 SN - 0010-4825 VL - 135 SP - 1 EP - 14 PB - Elsevier ER - TY - CHAP A1 - Souza Jr., Luis Antonio de A1 - Passos, Leandro A. A1 - Mendel, Robert A1 - Ebigbo, Alanna A1 - Probst, Andreas A1 - Messmann, Helmut A1 - Palm, Christoph A1 - Papa, João Paulo T1 - Fine-tuning Generative Adversarial Networks using Metaheuristics BT - A Case Study on Barrett's Esophagus Identification T2 - Bildverarbeitung für die Medizin 2021. Proceedings, German Workshop on Medical Image Computing, Regensburg, March 7-9, 2021 N2 - Barrett's esophagus denotes a disorder in the digestive system that affects the esophagus' mucosal cells, causing reflux, and showing potential convergence to esophageal adenocarcinoma if not treated in initial stages. Thus, fast and reliable computer-aided diagnosis becomes considerably welcome. Nevertheless, such approaches usually suffer from imbalanced datasets, which can be addressed through Generative Adversarial Networks (GANs). Such techniques generate realistic images based on observed samples, even though at the cost of a proper selection of its hyperparameters. Many works employed a class of nature-inspired algorithms called metaheuristics to tackle the problem considering distinct deep learning approaches. Therefore, this paper's main contribution is to introduce metaheuristic techniques to fine-tune GANs in the context of Barrett's esophagus identification, as well as to investigate the feasibility of generating high-quality synthetic images for early-cancer assisted identification. KW - Endoskopie KW - Computerunterstützte Medizin KW - Deep Learning Y1 - 2021 SN - 978-3-658-33197-9 U6 - https://doi.org/10.1007/978-3-658-33198-6_50 SP - 205 EP - 210 PB - Springer Vieweg CY - Wiesbaden ER - TY - GEN ED - Palm, Christoph ED - Deserno, Thomas M. ED - Handels, Heinz ED - Maier, Andreas ED - Maier-Hein, Klaus H. ED - Tolxdorff, Thomas T1 - Bildverarbeitung für die Medizin 2021 BT - Proceedings, German Workshop on Medical Image Computing, Regensburg, March 7–9, 2021 N2 - In den letzten Jahren hat sich der Workshop "Bildverarbeitung für die Medizin" durch erfolgreiche Veranstaltungen etabliert. Ziel ist auch 2021 wieder die Darstellung aktueller Forschungsergebnisse und die Vertiefung der Gespräche zwischen Wissenschaftlern, Industrie und Anwendern. Die Beiträge dieses Bandes - einige davon in englischer Sprache - umfassen alle Bereiche der medizinischen Bildverarbeitung, insbesondere Bildgebung und -akquisition, Maschinelles Lernen, Bildsegmentierung und Bildanalyse, Visualisierung und Animation, Zeitreihenanalyse, Computerunterstützte Diagnose, Biomechanische Modellierung, Validierung und Qualitätssicherung, Bildverarbeitung in der Telemedizin u.v.m. KW - Bildanalyse KW - Bildverarbeitung KW - Computerunterstützte Medizin KW - Deep Learning KW - Visualisierung Y1 - 2021 SN - 978-3-658-33197-9 U6 - https://doi.org/10.1007/978-3-658-33198-6 SN - 1431-472X PB - Springer Vieweg CY - Wiesbdaden ER - TY - JOUR A1 - Ebigbo, Alanna A1 - Palm, Christoph A1 - Messmann, Helmut T1 - Barrett esophagus: What to expect from Artificial Intelligence? JF - Best Practice & Research Clinical Gastroenterology N2 - The evaluation and assessment of Barrett’s esophagus is challenging for both expert and nonexpert endoscopists. However, the early diagnosis of cancer in Barrett’s esophagus is crucial for its prognosis, and could save costs. Pre-clinical and clinical studies on the application of Artificial Intelligence (AI) in Barrett’s esophagus have shown promising results. In this review, we focus on the current challenges and future perspectives of implementing AI systems in the management of patients with Barrett’s esophagus. KW - Deep Learning KW - Künstliche Intelligenz KW - Computerunterstützte Medizin KW - Barrett KW - Adenocarcinoma KW - Artificial intelligence KW - Deep learning KW - Convolutional neural networks Y1 - 2021 U6 - https://doi.org/10.1016/j.bpg.2021.101726 SN - 1521-6918 VL - 52-53 IS - June-August PB - Elsevier ER - TY - GEN ED - Maier, Andreas ED - Deserno, Thomas M. ED - Handels, Heinz ED - Maier-Hein, Klaus H. ED - Palm, Christoph ED - Tolxdorff, Thomas T1 - Bildverarbeitung für die Medizin 2024 BT - Proceedings, German Workshop on Medical Image Computing, Erlangen, March 10-12, 2024 N2 - Seit mehr als 25 Jahren ist der Workshop "Bildverarbeitung für die Medizin" als erfolgreiche Veranstaltung etabliert. Ziel ist auch 2024 wieder die Darstellung aktueller Forschungsergebnisse und die Vertiefung der Gespräche zwischen Wissenschaftlern, Industrie und Anwendern. Die Beiträge dieses Bandes - viele davon in englischer Sprache - umfassen alle Bereiche der medizinischen Bildverarbeitung, insbesondere die Bildgebung und -akquisition, Segmentierung und Analyse, Visualisierung und Animation, computerunterstützte Diagnose sowie bildgestützte Therapieplanung und Therapie. Hierbei kommen Methoden des maschinelles Lernens, der biomechanischen Modellierung sowie der Validierung und Qualitätssicherung zum Einsatz. KW - Bildverarbeitung KW - Computerunterstützte Medizin KW - Bildgebendes Verfahren KW - Bildanalyse KW - Deep Learning Y1 - 2024 SN - 978-3-658-44037-4 U6 - https://doi.org/10.1007/978-3-658-44037-4 SN - 1431-472X PB - Springer CY - Wiesbaden ER - TY - GEN ED - Handels, Heinz ED - Deserno, Thomas M. ED - Maier, Andreas ED - Maier-Hein, Klaus H. ED - Palm, Christoph ED - Tolxdorff, Thomas T1 - Bildverarbeitung für die Medizin 2019 BT - Algorithmen – Systeme – Anwendungen. Proceedings des Workshops vom 17. bis 19. März 2019 in Lübeck N2 - In den letzten Jahren hat sich der Workshop "Bildverarbeitung für die Medizin" durch erfolgreiche Veranstaltungen etabliert. Ziel ist auch 2019 wieder die Darstellung aktueller Forschungsergebnisse und die Vertiefung der Gespräche zwischen Wissenschaftlern, Industrie und Anwendern. Die Beiträge dieses Bandes - einige davon in englischer Sprache - umfassen alle Bereiche der medizinischen Bildverarbeitung, insbesondere Bildgebung und -akquisition, Maschinelles Lernen, Bildsegmentierung und Bildanalyse, Visualisierung und Animation, Zeitreihenanalyse, Computerunterstützte Diagnose, Biomechanische Modellierung, Validierung und Qualitätssicherung, Bildverarbeitung in der Telemedizin u.v.m. KW - Bildgebendes Verfahren KW - Computerunterstützte Medizin KW - Bildanalyse KW - Bilderkennung KW - Computerunterstützte Medizin KW - Computerunterstützte Diagnose KW - Medizininformatik Y1 - 2019 SN - 978-3-658-25325-7 U6 - https://doi.org/10.1007/978-3-658-25326-4 SN - 1431-472X PB - Springer CY - Berlin ER - TY - GEN ED - Tolxdorff, Thomas ED - Deserno, Thomas M. ED - Handels, Heinz ED - Maier, Andreas ED - Maier-Hein, Klaus H. ED - Palm, Christoph T1 - Bildverarbeitung für die Medizin 2020 BT - Algorithmen – Systeme – Anwendungen. Proceedings des Workshops vom 15. bis 17. März 2020 in Berlin N2 - In den letzten Jahren hat sich der Workshop "Bildverarbeitung für die Medizin" durch erfolgreiche Veranstaltungen etabliert. Ziel ist auch 2020 wieder die Darstellung aktueller Forschungsergebnisse und die Vertiefung der Gespräche zwischen Wissenschaftlern, Industrie und Anwendern. Die Beiträge dieses Bandes - einige davon in englischer Sprache - umfassen alle Bereiche der medizinischen Bildverarbeitung, insbesondere Bildgebung und -akquisition, Maschinelles Lernen, Bildsegmentierung und Bildanalyse, Visualisierung und Animation, Zeitreihenanalyse, Computerunterstützte Diagnose, Biomechanische Modellierung, Validierung und Qualitätssicherung, Bildverarbeitung in der Telemedizin u.v.m. KW - Bildanalyse KW - Bildverarbeitung KW - Computerunterstützte Medizin KW - Deep Learning KW - Visualisierung Y1 - 2020 SN - 978-3-658-29266-9 U6 - https://doi.org/10.1007/978-3-658-29267-6 PB - Springer Vieweg CY - Wiesbaden ER - TY - GEN ED - Deserno, Thomas M. ED - Handels, Heinz ED - Maier, Andreas ED - Maier-Hein, Klaus H. ED - Palm, Christoph ED - Tolxdorff, Thomas T1 - Bildverarbeitung für die Medizin 2023 BT - Proceedings, German Workshop on Medical Image Computing, Braunschweig, July 2-4, 2023 N2 - Seit mehr als 25 Jahren ist der Workshop "Bildverarbeitung für die Medizin" als erfolgreiche Veranstaltung etabliert. Ziel ist auch 2023 wieder die Darstellung aktueller Forschungsergebnisse und die Vertiefung der Gespräche zwischen Wissenschaftlern, Industrie und Anwendern. Die Beiträge dieses Bandes - viele davon in englischer Sprache - umfassen alle Bereiche der medizinischen Bildverarbeitung, insbesondere die Bildgebung und -akquisition, Segmentierung und Analyse, Visualisierung und Animation, computerunterstützte Diagnose sowie bildgestützte Therapieplanung und Therapie. Hierbei kommen Methoden des maschinelles Lernens, der biomechanischen Modellierung sowie der Validierung und Qualitätssicherung zum Einsatz. KW - Machine Learning KW - Medical Image Computing KW - Bildverarbeitung KW - Computerunterstützte Medizin KW - Bildgebendes Verfahren KW - Bildanalyse KW - Visualisierung KW - Deep Learning Y1 - 2023 SN - 978-3-658-41656-0 U6 - https://doi.org/10.1007/978-3-658-41657-7 SN - 1431-472X PB - Springer Vieweg CY - Wiesbaden ER - TY - GEN ED - Maier, Andreas ED - Deserno, Thomas M. ED - Handels, Heinz ED - Maier-Hein, Klaus H. ED - Palm, Christoph ED - Tolxdorff, Thomas T1 - Bildverarbeitung für die Medizin 2018 BT - Algorithmen - Systeme - Anwendungen. Proceedings des Workshops vom 11. bis 13. März 2018 in Erlangen KW - Bildanalyse KW - Bildverarbeitung KW - Computerunterstützte Medizin KW - Bildgebendes Verfahren Y1 - 2018 U6 - https://doi.org/10.1007/978-3-662-56537-7 PB - Springer CY - Berlin ER - TY - GEN ED - Palm, Christoph ED - Breininger, Katharina ED - Deserno, Thomas M. ED - Handels, Heinz ED - Maier, Andreas ED - Maier-Hein, Klaus H. ED - Tolxdorff, Thomas M. T1 - Bildverarbeitung für die Medizin 2025 BT - Proceedings, German Conference on Medical Image Computing, Regensburg March 09-11, 2025 N2 - Die Konferenz "BVM - Bildverarbeitung für die Medizin" ist seit vielen Jahren als die nationale Plattform für den Austausch von Ideen und die Diskussion der neuesten Forschungsergebnisse im Bereich der Medizinischen Bildverarbeitung und der Künstlichen Intelligenz (KI) etabliert. Auch 2025 werden wir aktuelle Forschungsergebnisse vorstellen und Gespräche zwischen (jungen) Wissenschaftler*innen, Industrie und Anwender*innen vertiefen. Die Beiträge dieses Bandes – die meisten davon in englischer Sprache - umfassen alle Bereiche der medizinischen Bildverarbeitung, insbesondere die Bildgebung und -akquisition, Segmentierung und Analyse, Registrierung, Visualisierung und Animation, computerunterstützte Diagnose sowie bildgestützte Therapieplanung und Therapie. Hierbei kommen Methoden des maschinellen Lernens, der biomechanischen Modellierung sowie der Validierung und Qualitätssicherung zum Einsatz. Das Kapitel "Leveraging multiple total body segmentators and anatomy-informed post-processing for segmenting bones in Lung CTs" ist unter einer Creative Commons Attribution 4.0 International License über link.springer.com frei verfügbar (Open Access). Die Herausgebenden Prof. Palm forscht im Bereich KI für die Medizin mit einem Schwerpunkt in der Analyse endoskopischer Bilddaten zur computerunterstützten Diagnose und Therapie. Prof. Breininger entwickelt robuste Ansätze des maschinellen Lernens in verschiedenen interdisziplinären Bereichen, mit einem Schwerpunkt auf medizinischen Bilddaten. Prof. Deserno forscht in Biosignal- und Bilderzeugung und -verarbeitung, insbesondere in der videobasierten Vitaldatenmessung. Prof. Handels entwickelt problemoptimierte, lernfähige Bildverarbeitungsmethoden und integriert diese in hybride Bildverarbeitungssysteme zur Unterstützung der medizinischen Diagnostik und Therapie. Prof. Maier entwickelt Anwendungen in der medizinischen Bildverarbeitung zur Diagnoseunterstützung bis hin zur Schichtbildberechnung durch künstliche Intelligenz. Prof. Maier-Hein forscht im Bereich maschinelles Lernen und entwickelt Open-Source-Lösungen wie das Medical Imaging Interaction Toolkit (MITK), Kaapana oder das nnU-Net. Prof. em. Tolxdorff ist Experte für maschinelles Lernen, biomedizinisches Datenmanagement, Datenvisualisierung und -analyse sowie Medizinproduktentwicklung in klinischen Workflows. KW - Bildverarbeitung KW - Computerunterstützte Medizin KW - Bildgebendes Verfahren KW - Bildanalyse KW - Deep Learning Y1 - 2025 SN - 978-3-658-47421-8 U6 - https://doi.org/10.1007/978-3-658-47422-5 SN - 1431-472X PB - Springer Fachmedien Wiesbaden CY - Wiesbaden ER - TY - GEN ED - Handels, Heinz ED - Breininger, Katharina ED - Deserno, Thomas M. ED - Maier, Andreas ED - Maier-Hein, Klaus H. ED - Palm, Christoph ED - Tolxdorff, Thomas T1 - Bildverarbeitung für die Medizin 2026 : Proceedings, German Conference on Medical Image Computing, Lübeck March 15–17, 2026 N2 - Die Konferenz "BVM – Bildverarbeitung für die Medizin" ist seit vielen Jahren als die nationale Plattform für den Austausch von Ideen und die Diskussion der neuesten Forschungsergebnisse im Bereich der Medizinischen Bildverarbeitung und der Künstlichen Intelligenz (KI) etabliert. Auch 2026 haben (junge) Wissenschaftler*innen, Industrie und Anwender*innen diesen Austausch vertieft. Die Beiträge dieses Bandes – die meisten davon in englischer Sprache – umfassen alle Bereiche der medizinischen Bildverarbeitung, insbesondere die Bildgebung und -akquisition, Segmentierung und Analyse, Registrierung, Visualisierung und Animation, computerunterstützte Diagnose sowie bildgestützte Therapieplanung und Therapie. Hierbei kommen Methoden des maschinellen Lernens, der biomechanischen Modellierung sowie der Validierung und Qualitätssicherung zum Einsatz. KW - Bildverarbeitung KW - Computerunterstützte Medizin KW - Bildgebendes Verfahren KW - Bildanalyse KW - Deep Learning Y1 - 2026 SN - 978-3-658-51099-2 U6 - https://doi.org/10.1007/978-3-658-51100-5 SN - 1431-472X PB - Springer Vieweg CY - Wiesbaden ER -