Künstliche Intelligenz gewinnt auch auf dem Gebiet der medizinischen Bildgebung zunehmend an Bedeutung. Was ist ein Perzeptron? Was bedeutet das „Deep“ in „Deep Neutral Network“ und wie kann ein solches Netzwerk überhaupt lernen? Wie ist ein Convolutional Neutral Network (CNN) aufgebaut und welche Vorteile bietet diese Architektur bei der Analyse von Bilddaten? Diesen und weiteren Fragen widme ich mich in meinem Vortrag „Artifical Intelligence in Medical Imaging“. Abschließend stelle ich zwei aktuelle Anwendungen künstlicher Intelligenz im Bereich der medizinischen Diagnostik vor und gehe auf Herausforderungen und Grenzen ein. Den Vortrag in englischer Sprache habe ich im Rahmen des Seminars „Biomedical Physics“ im Wintersemester 2020/2021 gehalten.

Content:

• Basics of Neural Networks (NNs)
  • Deep Learning
  • The Perceptron
  • The Perceptron – Example
  • Examples for Activation Functions
  • Need of Activation Functions
  • Building NNs – Multi Output Perceptron
  • Building NNs – Hidden Layer
  • Building NNs – Deep Neural Network
  • Learning – Loss Function and Empirical Risk
  • Learning – Gradient Descend
  • Learning – Computation of Gradients by Backpropagation
  • Learning – Overfitting
• Convolutional Neural Networks (CNNs)
  • Feature Detection
  • Input of an Image into the Neural Network
  • Convolutional Layer – Features
  • Convolutional Layer – Performing the Convolution
  • Convolution Kernels
  • Pooling Layer
  • Typical Structure of CNNs
• Applications of AI in Medical Imaging
  • Example 1: Breast Cancer Screening
  • Example 2: Low Dose PET
  • Challenges And Limits

Die Folien zum Vortrag finden Sie hier.