Neuronale Netze haben sich in der medizinischen Bildverarbeitung – insbesondere bei der Segmentierung endoskopischer Bilddaten – als äußerst leistungsfähige Werkzeuge etabliert. Trotz ihrer hohen Genauigkeit stellen sie jedoch weiterhin eine Herausforderung dar: Als „Black Boxes“ sind ihre Entscheidungsprozesse nur schwer nachvollziehbar. Zudem geben sie auch dann Vorhersagen aus, wenn Eingaben außerhalb des gelernten Datenraums liegen – ein Risiko, insbesondere in sicherheitskritischen Anwendungen wie der Medizin.

Ziel dieses Projekts ist es, bestehende Methoden zur Uncertainty Estimation – also zur quantitativen Einschätzung der Vorhersagezuverlässigkeit – systematisch zu evaluieren und neue Verfahren zu entwickeln. Im Fokus stehen dabei die Echtzeitfähigkeit der Ansätze sowie ihre Eignung für Segmentierungsaufgaben, da diese Anforderungen besonders relevant für die Analyse endoskopischer Videos sind – einem zentralen Forschungsgebiet des Labors ReMIC.

Durch die enge Verbindung von methodischer Forschung und klinischer Anwendung soll das Projekt einen Beitrag zu transparenteren, robusteren und vertrauenswürdigeren KI-Systemen in der medizinischen Bildgebung leisten.

Kooperationspartner

• Regensburg Medical Image Computing (ReMIC), OTH Regensburg
• III. Medizinische Klinik Augsburg