Digitale Bildverarbeitung und Tiefe Neuronale Netze in der Augenheilkunde – aktuelle Trends

ZusammenfassungDer Einsatz von Tiefen Neuronalen Netzen (Deep Learning) eröffnet neue Möglichkeiten in der digitalen Bildverarbeitung. Auch für die Auswertung von Bilddaten in der Ophthalmologie wird diese Methode erfolgreich eingesetzt und findet weite Verbreitung. In diesem Artikel wird die methodische Vorgehensweise beim Deep Learning betrachtet und der klassischen Vorgehensweise für die Entwicklung von Methoden für die digitale Bildverarbeitung gegenübergestellt. Dabei wird auf Unterschiede eingegangen und die wichtiger werdende Rolle von Trainingsdaten für die Modellbildung erklärt. Weiterhin wird die Vorgehensweise des Transfer-Lernens (Transfer Learning) für Deep Learning am Beispiel eines Datensatzes aus der kornealen Konfokalmikroskopie vorgestellt. Dabei wird auf die Vorteile der Methode und auf Besonderheiten beim Umgang mit medizinischen Mikroskopdaten eingegangen.

Mikroskalige Analyse des Ermüdungsverhaltens von Asphalten/Microscale Analysis on Fatigue Behavior of Asphalt Mixtures

Die Untersuchung des Ermüdungsverhaltens von Asphalt erfolgt im Rahmen dieser Forschungsarbeit anhand von Spaltzug-Schwellversuchen. Um den Zusammenhang des Ermüdungsverhaltens und des Hohlraumgehalts zu ermitteln, wurden Proben mit unterschiedlichen Hohlraumgehalten hergestellt und durch die Betrachtung der Asphalt-Mikrostruktur mithilfe digitaler Bildverarbeitung (DBV) analysiert. Dazu wurden Asphaltproben am Institut für Straßenwesen Aachen (ISAC) hergestellt und aus der Einbaustrecke entnommen. Die Spaltzug-Schwellversuche wurden bei Prüftemperaturen von –10° C, 0° C und 10° C durchgeführt. Mittels Röntgen-Computertomografie (XCT) konnten Aufnahmen der Probekörper vor und nach den Ermüdungsversuchen gemacht und ausgewertet werden, um so eine Beziehung zwischen Hohlraumgehalt und Ermüdungsverhalten des Asphaltmischguts abzuleiten. Die Verteilung der Hohlräume in den Asphaltproben kann durch die XCT-Methode abgebildet und durch digitale Bildverarbeitung zurückgerechnet werden. Aus den Ergebnissen ergibt sich ein lineares Verhältnis der Ermüdungsschäden zu dem Hohlraumgehalt im Asphaltprobekörper, welches als Beurteilungshintergrund für Ermüdungsschäden herangezogen werden kann.