Semantik und Bilddaten: wie Terminologien in der Radiologie helfen. Henning Müller

Transkript

1 Semantik und Bilddaten: wie Terminologien in der Radiologie helfen Henning Müller

2 Motivation: Datenwachstum, Komplexität Exponentielles Wachstum der Anzahl der Bilder 30% weltweiter Speicherkapazität ist medical imaging Nach Schätzungen der EU Komplexität der Bildgebung steigt Bilder sind in allen Abteilungen verfügbar Alle klinischen Daten auch Integration vieler Daten ist notwendig 2

3 Was ist Semantik? Semantik (von Altgriechisch s maínein bezeichnen, zum Zeichen gehörig ), auch Bedeutungslehre, nennt man die Theorie oder Wissenschaft von der Bedeutung der Zeichen. Zeichen können in diesem Fall Wörter, Phrasen oder Symbole sein. Die Semantik beschäftigt sich typischerweise mit den Beziehungen zwischen Zeichen und Bedeutungen dieser Zeichen 3

4 Semantik in der Medizin MeSH Medical Subject headings UMLS unified medical language system Methathesaurus verschiedener Terminologien Kostenlose, und nicht freie Terminologien SNOMED Systemized Nomenclature in Medicine Teuer, da kommerziell gepflegt Teilweise kaufen Länder die gesamte Terminologie LinkedLifeData Offen, freie Basis, 10 Mia Fakten 4

5 RadLex Nicht Teil von UMLS Teilweise basiert auf anderen Terminologien Deutsche Version existiert Wird aber (meines Wissens) nicht mehr upgedated 5

6 Khresmoi Projekt Mix von mehrsprachigen Ressourcen mit multimedia Daten für verschiedene Benutzer Fokus auf 2D und 3D Bildsuche 6

7 Wo helfen Terminologien & Semantik? Beschreibung von Inhalten in eindeutiger Form Synonyme, Bedeutungshierarchien, Abkürzungen Interoperabilität oder Austausch von Daten Innerhalb und außerhalb der Institution Mehrsprachige Dokumentation und Suche Structured reporting und Wiederbenutzung von Templates Effizienzgewinn Verlinken von Text und visuellen Inhalten 7

8 Wo gibt es Probleme mit Semantik? Standardisierte Beschreibung ist häufig weniger ausdruckstark Vielleicht Freitext zusätzlich zu Terminologien? Automatische Auswahl nach Freitexteintrag Sehr große Terminologien sind nicht einfach zu lernen SNOMED in Dänemark, langfristige Sicht ist notwendig Eindeutige Kodierung ist nicht unbedingt gegeben Am Anfang mehr Aufwand, später potentielle Zeitgewinne 8

9 Eindeutige Beschreibung Herzinfarkt, Myokardinfarkt, Herzmuskelinfarkt, Viele Synonyme ICD10-I20: MI, STEMI, NSTEMI, ACS Viele Abkürzungen, die man lokal versteht, aber die nicht Standard sind Auch visuelle Terminologien sind nicht eindeutig Ground glass, Fibrosen, mit Beispielen 9

10 Interoperabilität Mehr Patienten wechseln den Arzt Generell mehr Mobilität Elektronische Daten können einfacher ausgetauscht werden Personal health records Vollständige Patientenakte hat viele Vorteile ehealth Strategien in vielen Ländern 10

11 Mehrsprachigkeit Vor allem in der Schweiz ein wichtiges Thema! Literatur ist englisch, klinische Dokumente deutsch/französisch/italienisch, Teaching files in vielen Sprachen In RadLex/MeSH ist jeder Begriff in allen Sprachen derselbe (EN) x-ray of a tibia with a fracture (DE) Röntgenbilder einer gebrochenen Tibia (FR) Radiographies du tibia avec fracture 11

12 Viele Templates für structured reporting 12

13 LinkedLifeData 13

14 Klassifizieren von Journal Figuren Bilder in Artikeln sind zum Grossteil nicht klinische Bilder Caption erlaubt es häufig nicht, den Typ zu bestimmen Visuelle Information kann helfen Typen auf RadLex/MeSH gemapped, ganze Struktur kann eingesetzt werden Benutzung auch in Goldminer, um relevante Artikel zu finden 14

15 Bilder in der Literature - Subfigures EHR, PACS 15

16 Visuelle Semantik 16

17 Khresmoi Suchinterface 17

18 Extraktion von Begriffen 18

19 Automatische Identifikation von Organen und Landmarks im Körper (etwa 50 Strukturen, 15 landmarks, RadLex terms) Benchmark für die Bildverarbeitungscommunity Vergleichen von Algorithmen auf TB Daten Gold standard und silver standard für Organe 19

20 Big data Sehr große Datenmengen müssen automatisiert analysiert werden (>150 TB) Ähnlich wie Google im Web mit Billionen Webseiten Man findet immer ähnliche Fälle Auch für seltene Krankheiten Selbes Alter und ähnliche co-morbiditäten Ähnliche CT und MR Generation, ähnliche Protokolle Auch normale Fälle als Vergleich Anonymisierung und Konfidentialität sind sehr wichtig, aber das Potential ist enorm 20

21 Nächste Schritte Extraktion von einfacher Semantik aus Bildern Inhaltsbasierte Suche in Regionen Manuell annotierte Datenbanken sind nötig Auch Kommentare und social bookmarking Verbinden von 2D, 3D, 4D Visuelle Verbindung und über klinische Daten Klinische Bilder, Teaching files und die medizinische Literatur Einsatz in Klinik, Forschung und Lehre Suche wie in Google in ähnliche Fällen Visualisierung von Beziehungen 21

22 Fazit Radiologie produziert immer mehr und immer komplexere Bilder Semantik kann helfen die Fälle zu beschreiben und Fälle später wiederzufinden Statistiken und Vergleiche können automatisiert werden wenn gut annotiert wird Austausch von Daten zwischen Klinikern wird einfacher Visuelle Analyse kann helfen Semantik in Bildern zu finden Lokale Bildanalyse ist notwendig Automatisches Messen und Finden ähnliche ROIs 22

23 Kontakt und mehr Information Mehr informationen unter: Kontakt: 23