-
Die vorliegende Erfindung betrifft Verfahren zum Gewinnen insbesondere annotierter Daten mithilfe von Operationsmikroskopiesystemen.
-
Die vorliegende Anmeldung steht im Zusammenhang mit der am gleichen Tag eingereichten weiteren Patentanmeldung der Anmelderin, die den Titel „Verfahren zum Gewinnen annotierter Daten mithilfe von Operationsmikroskopiesystemen“ trägt und durch Inbezugnahme vollumfänglich in die vorliegende Anmeldung aufgenommen wird.
-
Im Bereich der Medizin sind vielfältige Entscheidungen zu treffen, die auf der Analyse von Daten basieren. Beispielsweise können diese Entscheidungen Diagnosen über das Vorliegen oder Nicht-Vorliegen eines Zustands basierend auf beispielsweise chemischen oder physikalischen Analysen, Entscheidungen über durchzuführende Behandlungen oder Verwendung von Hilfsmitteln basierend auf Diagnosen und anderen Informationen umfassen. Zunehmend werden Techniken des maschinellen Lernens zur Unterstützung solcher Entscheidungen eingesetzt. Techniken des maschinellen Lernens umfassen die Verwendung von Instrumenten wie beispielsweise die eines Klassifikators, der basierend auf eingegebenen Merkmalen eine Zuordnung der eingegebenen Merkmale zu Klassen eines Merkmalsraumes treffen kann. Solche Klassifikatoren werden unter Verwendung realistischer Daten trainiert, so dass die Qualität der von dem Klassifikator getroffenen Klassifizierungen sich mit Zunahme der Menge der vorhandenen realistischen Daten und der Qualität der vorhandenen realistischen Daten verbessert. Entsprechend ist es wünschenswert, Daten zum Trainieren von Instrumenten des maschinellen Lernens in großer Menge und guter Qualität zu erhalten.
-
Allerdings ist es nicht einfach, große Mengen an Daten hoher Qualität zu erhalten, da die bestehenden Prozesse im medizinischen Bereich vorrangig auf die optimale Behandlung von Patienten und die Reduzierung von Kosten ausgelegt sind. Die Gewinnung von Daten, welche die Grundlage zur Entwicklung von Instrumenten des maschinellen Lernens bilden, kann parallel zum Ablauf der bestehenden medizinischen Prozesse nur mit zusätzlichem Aufwand erfolgen und kann diese Prozesse sogar stören. Das Gewinnen von Daten, die für das Trainieren von Instrumenten des maschinellen Lernens geeignet sind, stellt somit für sich genommen ein technisches Problem dar.
-
Entsprechend ist es eine Aufgabe der vorliegenden Erfindung, ein Verfahren zum Gewinnen von Daten im medizinischen Bereich vorzuschlagen, die zum Trainieren eines Instruments des maschinellen Lernens, wie etwa eines Klassifikators, geeignet sind.
-
Erfindungsgemäß wird deshalb ein Verfahren zum Gewinnen annotierter Daten mithilfe von Operationsmikroskopiesystemen vorgeschlagen. Operationsmikroskopiesysteme sind in großer Zahl in Krankenhäusern und Arztpraxen installiert und werden zur Behandlung von Patienten eingesetzt. Hierbei können die Operationsmikroskopiesysteme bei ihrer Verwendung am Patienten kontinuierlich Bilder der Bereiche der Patienten aufnehmen, welche behandlungsbedürftig sind. Ferner dokumentieren Abfolgen von mit den Operationsmikroskopiesystemen aufgenommenen Bildern auch tatsächlich an den behandelten Patienten vorgenommene Maßnahmen. Die mit einem Operationsmikroskopiesystem aufgezeichneten Bilder sind somit Daten, welche eine hohe Relevanz für ein Training eines Instruments des maschinellen Lernens aufweisen.
-
Es ist somit denkbar, sämtliche während des Betriebs des Operationsmikroskopiesystems anfallenden Daten aufzuzeichnen, in einer Datenbank zu speichern und nachfolgend als Daten zu verwenden, mit denen Instrumente des maschinellen Lernens trainiert werden. Es hat sich allerdings gezeigt, dass diese Möglichkeit einigen technischen Einschränkungen unterworfen ist. So werden von einem Operationsmikroskop enorm viele Daten erzeugt. Die Daten sind beispielsweise Videos, die aus einer Mehrzahl von Einzelbildern bestehen, die eine sehr hohe Auflösung haben. Die Daten können ferner beispielsweise Volumenbilder sein, die eine Vielzahl von Schichtbildern aufweisen, die wiederum eine hohe Auflösung haben. Ferner können die Daten beispielsweise eine Vielzahl von OCT-Scans repräsentieren, die wiederum eine hohe Auflösung haben. Wenn die mit vielen Operationsmikroskopiesystemen gewonnenen Daten in einer Datenbank gespeichert werden sollen, um basierend auf den in der Datenbank gespeicherten Daten Instrumente des maschinellen Lernens zu trainieren, so müssen diese Daten von den einzelnen Operationsmikroskopiesysteme an einen Datenspeicher der Datenbank übertragen werden, welcher naturgemäß räumlich entfernt von vielen der Operationsmikroskopiesysteme angeordnet ist. Bei der heute üblichen Bandbreite von Internetanschlüssen für das Hochladen von Daten ist es schwierig, die während des Betriebs des Operationsmikroskopiesystems anfallenden Daten alle an eine zentrale Datenbank zu übertragen. Selbst bei einer in der Zukunft zunehmenden Bandbreite der Datenverbindungen wird dieses Problem wohl bestehen bleiben, da auch die Menge der Daten, die ein Operationsmikroskopiesystem während des Betriebs erzeugt, zunehmen wird.
-
Ferner wird ein Operationsmikroskopiesystem für verschiedene Zwecke und verschiedene Arten von medizinischen Eingriffen eingesetzt, welche mit verschiedener Häufigkeit ausgeführt werden. In Bezug auf das Trainieren von Instrumenten des maschinellen Lernens sind die Daten zu häufig ausgeführten medizinischen Eingriffen ebenso wertvoll wie Daten zu seltener ausgeführten medizinischen Eingriffen. Allerdings ist es möglich, dass Daten, die in dominierendem Umfang ähnliche Inhalte zu häufig durchgeführten medizinischen Eingriffen enthalten, zum Trainieren von Instrumenten des maschinellen Lernens weniger geeignet sind als Daten, die Inhalte zu häufig ausgeführten medizinischen Eingriffen und Inhalte zu seltener ausgeführten medizinischen Eingriffen in einem ausgewogenen Verhältnis enthalten.
-
Gemäß beispielhaften Ausführungsformen werden deshalb nicht sämtliche mit dem Operationsmikroskopiesystem gewonnenen Daten in einem Datenspeicher einer Datenbank, der entfernt von dem Operationsmikroskop angeordnet ist, gespeichert, sondern lediglich solche, von denen erwartet wird, dass sie zur Gesamtheit der in dem Datenspeicher gespeicherten Daten einen signifikanten Beitrag im Hinblick auf das Trainieren von Instrumenten des maschinellen Lernens mit diesen Daten liefern können.
-
Gemäß beispielhaften Ausführungsformen umfasst das Verfahren zum Gewinnen von Daten mithilfe eines Operationsmikroskopiesystems ein Aufzeichnen eines neuen Datensatzes, der eine Vielzahl von Bildern umfasst, mit dem Operationsmikroskopiesystem. Dieser neue Datensatz wird analysiert, und es wird eine Entscheidung dahingehend getroffen, ob der neue Datensatz in dem Datenspeicher der Datenbank gespeichert werden soll oder nicht. Für diese Analyse und zum Treffen der Entscheidung kann ein bestehender Klassifikator verwendet werden, der die Entscheidung auf der Grundlage des neuen Datensatzes trifft.
-
Gemäß beispielhaften Ausführungsformen kann der Klassifikator die Entscheidung ferner auf der Grundlage weiterer Informationen treffen, welche beispielsweise von einem Benutzer erhalten werden, der diese Informationen über eine Benutzerschnittstelle in das Operationsmikroskopiesystem eingibt.
-
Der Klassifikator kann die Entscheidung ferner auf der Grundlage weiterer Informationen treffen, welche beispielsweise bereits in dem Operationsmikroskopiesystem gespeichert sein, oder sie können in einem Informationsverwaltungssystem eines Krankenhauses, in dem sich das Operationsmikroskopiesystem befindet, und/oder eines Unternehmens, das das Operationsmikroskopiesystem hergestellt hat, gespeichert sein. Ein derartiges Informationsverwaltungssystem kann eine zentrale Datenbank mit lokalisierten Datenspeichern sein, die bei der das Informationsverwaltungssystem betreibenden Institution, wie etwa Krankenhaus oder Hersteller, angeordnet ist. Ein derartiges Informationsverwaltungssystem kann aber auch ein verteiltes Datenbanksystem sein, welches zusammengehörige Daten an verschiedenen Orten speichert, wobei bestimmte Daten an bestimmten Orten in nur geringerem Umfang gespeichert werden können, um eventuellen Datenschutzregeln zu genügen.
-
Derartige weitere Informationen können beispielsweise einen Typ eines medizinischen Eingriffs, ein Alter, ein Geschlecht und/oder einen Gesundheitszustand eines Patienten, an dem der medizinische Eingriff vorgenommen wird, eine Qualität eines Gewebes, welches in den Bildern abgebildet wird, eine Eigenschaft des Benutzers, wie etwa dessen Berufserfahrung, einen Ort, an dem sich das Operationsmikroskopiesystem befindet, und/oder eine Eigenschaft der Benutzungshistorie des Operationsmikroskopiesystems, wie beispielsweise die Information, dass ein betreffendes Operationsmikroskopiesystem hauptsächlich für Fluoreszenzuntersuchungen eingesetzt wird, bezeichnen.
-
Gemäß beispielhaften Ausführungsformen wird basierend auf der Entscheidung des Klassifikators der wenigstens eine neue Datensatz in dem Datenspeicher der Datenbank gespeichert, falls entschieden wurde, dass der wenigstens eine Datensatz gespeichert werden soll, und es wird der wenigstens eine neue Datensatz in dem Datenspeicher nicht gespeichert, falls entschieden wurde, dass der wenigstens eine Datensatz nicht gespeichert werden soll.
-
Gemäß beispielhaften Ausführungsformen umfasst das Verfahren ein Bestimmen eines neuen Klassifikators basierend auf Trainingsdaten, welche die in dem Datenspeicher der Datenbank gespeicherten Datensätzen umfassen und/oder aus den in dem Datenspeicher der Datenbank gespeicherten Datensätzen erhaltene Daten umfassen, und ein Verwenden des neuen Klassifikators anstatt des bestehenden Klassifikators beim Entscheiden, ob ein nachfolgend aufgezeichneter neuer Datensatz in dem Datenspeicher gespeichert werden soll oder nicht.
-
Das Bestimmen des neuen Klassifikators kann beispielsweise in regelmäßigen Zeitintervallen oder immer dann erfolgen, wenn eine vorbestimmte Anzahl neuer Datensätze in dem Datenspeicher der Datenbank gespeichert wurde.
-
Durch das Verwenden des neuen Klassifikators beim Entscheiden, ob der nachfolgend aufgezeichnete neue Datensatz in dem Datenspeicher gespeichert werden soll oder nicht, wird diese Entscheidung auch von den bereits in dem Datenspeicher gespeicherten Datensäten abhängig. Somit ist es möglich, auf die Speicherung eines neuen Datensatzes, welcher ähnlich zu bereits gespeicherten Datensätzen ist und im Vergleich zu diesem nurmehr geringe zusätzliche Information liefern würde, zu verzichten. Dieser nicht gespeicherte neue Datensatz wird die hinsichtlich ihrer Übertragungskapazität begrenzten Netzwerkverbindungen nicht belasten. Ferner kann hierdurch bei den in dem Datenspeicher gespeicherten Datensätzen ein ausgewogenes Verhältnis von Datensätzen, die häufig wiederkehrende medizinische Eingriffe betreffen, und Datensätzen, die seltener durchgeführte Eingriffe betreffen, beibehalten werden.
-
Durch die Verwendung des neuen Klassifikators beim Entscheiden, ob ein neuer Datensatz gespeichert werden soll oder nicht, werden, da der neue Klassifikator basierend auf den bereits gespeicherten Datensätzen bestimmt wird, auch die Entscheidungen über das Speichern der neuen Datensätze von den bereits gespeicherten Datensätzen abhängig. Dies wird allerdings erreicht, ohne dass in dem hierfür notwendigen Entscheidungsprozess auf die gespeicherten Datensätze zugegriffen werden muss, was aufgrund des großen Datenvolumens der Datensätze sehr aufwändig wäre. Allerdings ist es möglich, die Analysen der Datensätze, welche zur Bestimmung des Klassifikators direkt oder zur Erzeugung von Trainingsdaten zur Bestimmung des Klassifikators notwendig sind, am Ort des Datenspeichers der Datensätze vorzunehmen, so dass für diese Zwecke eine aufwändige Fernübertragung der Datensätze nicht notwendig ist. Es ist dann lediglich der neu bestimmte Klassifikator an den Ort des Operationsmikroskopiesystems zu übertagen. Dies kann beispielsweise dadurch erfolgen, dass numerische Parameter, die den neuen Klassifikator repräsentieren, an das Operationsmikroskopiesystem übertagen werden. Falls der den neuen Datensatz analysierende und die Entscheidung über das Speichern und Nicht-Speichern des neuen Datensatzes treffende Klassifikator ein ein neuronales Netz einer gegebenen Topologie verwendender Klassifikator ist, können diese Parameter beispielsweise Gewichte dieses neuronalen Netzes sein.
-
Gemäß beispielhaften Ausführungsformen wird jedem der in dem Datenspeicher gespeicherten Datensätze eine Annotation zugeordnet. Die dem gespeicherten Datensätzen zugeordneten Annotationen können auf vielfältige Weise erhalten werden. Beispielsweise können die Annotationen basierend auf einer Analyse der Datensätze automatisch mithilfe eines Instruments des maschinellen Lernens, welches zuvor erstellt wurde, wie beispielsweise eines Klassifikators, ermittelt werden. Ferner können die Annotationen auch von menschlichen Experten erhalten werden, die die Datensätze, das heißt die in den Datensätzen enthaltenen Bilder, betrachten und verschiedene weitere Informationen, wie etwa bereits zu den Datensätzen vorhandene Annotationen, die beispielsweise neuen Datensätzen vor dem Übertragen in den Datenspeicher zugeordnet wurden, berücksichtigen.
-
Gemäß beispielhaften Ausführungsformen hierin wird der neue Klassifikator auch basierend auf den den gespeicherten Datensätzen zugeordneten Annotationen bestimmt, indem beispielsweise die Trainingsdaten die Annotationen umfassen.
-
Gemäß beispielhaften Ausführungsformen wird jedem der in dem Datenspeicher gespeicherten Datensätze eine Signifikanz zugeordnet.
-
Gemäß beispielhaften Ausführungsformen hierin wird der neue Klassifikator auch basierend auf den den gespeicherten Datensätzen zugeordneten Signifikanzen bestimmt, indem beispielsweise die Trainingsdaten die Signifikanzen umfassen.
-
Hierdurch ist es möglich, bei der Entscheidung, ob ein neuer Datensatz gespeichert werden soll oder nicht, diejenigen Datensätzen zu bevorzugen, welche im Hinblick auf das Trainieren des Instruments des maschinellen Lernens den höheren erwartbaren Informationsgehalt aufweisen. Beispielsweise werden dann Datensätze zu häufiger durchgeführten medizinischen Eingriffen vergleichsweise seltener gespeichert als Datensätze zu weniger häufig durchgeführten medizinischen Eingriffen.
-
Gemäß beispielhaften Ausführungsformen wird das Zuordnen von Annotationen und/oder Signifikanzen zu den in dem Datenspeicher gespeicherten Datensätzen wiederholt, nachdem eine Mehrzahl von neuen Datensätzen in dem Datenspeicher gespeichert wurde. Hierdurch wird ein System geschaffen, welches sich an die Einsatzpraxis der Operationsmikroskopiesysteme anpasst und Datensätze, die keinen oder einen nur geringen zusätzlichen Informationsgehalt erwarten lassen, hinsichtlich der Speicherung in dem Datenspeicher benachteiligt, während Datensätze, die einen hohen Informationsgehalt erwarten lassen oder sich durch eine Kombination von zugeordneten Annotationen auszeichnen, welche keinem oder nur wenigen in dem Datenspeicher gespeicherten Datensätzen zugeordnet sind, hinsichtlich der Speicherung bevorzugt werden.
-
Gemäß beispielhaften Ausführungsformen erfolgt das Bestimmen des neuen Klassifikators mit dem Ziel, dass beim erneuten Zuordnen von Signifikanzen zu den Datensätzen die einem jeweiligen Datensatz neu zugeordnete Signifikanz niedriger ist als die diesem Datensatz zuvor zugeordnete Signifikanz.
-
Gemäß beispielhaften Ausführungsformen wird ein Instrument des maschinellen Lernens basierend auf den in der Datenbank gespeicherten Daten trainiert. Das Instrument des maschinellen Lernens kann beispielsweise ein Klassifikator sein dessen Algorithmus beispielsweise ein neuronales Netz und einen Entscheidungsbaum oder dergleichen umfasst. Mit dem Instrument des maschinellen Lernens kann beispielsweise eine klinische Hypothese validiert werden. Ferner kann das trainierte Instrument des maschinellen Lernens auch der Klassifikator sein, der dazu eingesetzt wird, die Entscheidung zu treffen, ob ein neuer Datensatz in dem Datenspeicher gespeichert werden soll oder nicht.
-
Ausführungsformen der Erfindung werden nachfolgend anhand von Figuren näher erläutert. Hierbei zeigt:
- 1 ein Diagramm zur Erläuterung eines Verfahrens zum Gewinnen annotierter Daten gemäß einer Ausführungsform; und
- 2 ein weiteres detailliertes Diagramm zur Erläuterung des Verfahrens der 1.
-
1 ist ein Diagramm zur Erläuterung eines Verfahrens zum Gewinnen von Daten für maschinelles Lernen mithilfe von Operationsmikroskopiesystemen. Ein System 1 zum Gewinnen von Daten für maschinelles Lernen umfasst eine Datenbank 3 für annotierte Daten und eine Mehrzahl von Operationsmikroskopiesystemen 5, welche Datensätze aufzeichnen, die in der Datenbank 3 gespeichert werden können. Die in der Datenbank 3 gespeicherten Daten werden in einem Analysemodul 7 analysiert, um basierend auf der Analyse ein Instrument des maschinellen Lernens zu erzeugen, welches in dem in 1 gezeigten Beispiel ein Klassifikator 9 ist. Die Analyse der Daten zur Erzeugung des Instruments des maschinellen Lernens kann auch Prozesse umfassen, welche als ein „Trainieren“ des Instruments des maschinellen Lernens, wie beispielsweise des Klassifikators 9, bezeichnet werden können.
-
Die Operationsmikroskopiesysteme 5 umfassen typischerweise ein Operationsmikroskop mit der Mikroskopieoptik und mit Sensoren, wie etwa Kameras oder OCT-Scannern, ein Stativ zum Haltern des Operationsmikroskops und ein Steuerungssystem zur Steuerung des Operationsmikroskops und zur Bereitstellung von Funktionalitäten. Das Steuerungssystem kann unter anderem Benutzerschnittstellen, Datenbanken und Datenfernverbindungen bereitstellen. Nicht alle Komponenten des Operationsmikroskopiesystems 5 müssen zusammen mit dessen Operationsmikroskop zum Beispiel in einem Raum angeordnet sein.
-
Die von den Operationsmikroskopiesystemen 5 erzeugten Datensätze umfassen typischerweise eine Vielzahl von Bildern. Die Datensätze können somit beispielsweise Videos mit einer Mehrzahl von Einzelbildern, Volumenbilder mit einer Mehrzahl von Schichtbildern und Sätze von OCT-Scans sein.
-
Diese Datensätze können in der Datenbank 3 gespeichert werden. Die Datenbank 3 kann ein Datenbanksystem sein, welches mehrere Hardware- und Softwaremodule aufweist, die verteilt angeordnet sein können. Beispielsweise kann jedes Operationsmikroskopiesystem 5 ein Softwaremodul des Datenbanksystems aufweisen, welches auf der Hardware des Operationsmikroskopiesystems läuft und die Interaktion des Operationsmikroskopiesystems 5 mit dem Datenbanksystem 3 ermöglicht. Die Speicherung der Datensätze kann in Datenspeichern des Datenbanksystems erfolgen, welche an Orten angeordnet sind, die von den Orten verschieden sind, an denen die Operationsmikroskope der Operationsmikroskopiesysteme 5 angeordnet sind. Da nicht alle Operationsmikroskope der Operationsmikroskopiesysteme 5 an einem gleichen Ort angeordnet sind, müssen zwangsläufig Datensätze von Operationsmikroskopen zu Datenspeichern über Datenfernübertragungswege übertragen werden. Wie vorangehend erläutert, weisen die Datenfernübertragungswege eine begrenzte Bandbreite auf, und es ist nicht unbedingt sinnvoll, alle mit den Operationsmikroskopiesystemen gewonnenen Daten in einem Datenspeicher der Datenbank 3 zu speichern. Unter Bezugnahme auf 2 wird nachfolgend ein Verfahren erläutert, um lediglich solche mit den Operationsmikroskopiesystemen 5 gewonnene Datensätze in der Datenbank 3 zu speichern, welche eine hohe Signifikanz im Hinblick auf das Trainieren des Instruments 9 des maschinellen Lernens erwarten lassen.
-
2 zeigt Elemente und Module eines Operationsmikroskopiesystems 5, welche räumlich getrennt von einem System 11 angeordnet sind, welches die Datenbank 3 und das Analysemodul 7 zur Bestimmung des Instruments des maschinellen Lernens 9 umfasst. Im Rahmen eines medizinischen Eingriffs wird mit dem Operationsmikroskop des Operationsmikroskopiesystems 5 beispielsweise ein neues Video 13 aufgezeichnet. Neben dem neuen Video 13 stehen zu dem durchgeführten medizinischen Eingriff weitere Informationen, wie etwa Metadaten 15 zur Verfügung. Diese Daten 15 können beispielsweise einen Typ eines medizinischen Eingriffs, ein Alter, ein Geschlecht und/oder einen Gesundheitszustand eines Patienten, an dem der medizinische Eingriff vorgenommen wird, eine Qualität eines Gewebes, welches in den Bildern abgebildet wird, eine Eigenschaft des Benutzers, einen Ort, an dem sich das Operationsmikroskopiesystem befindet, und/oder eine Eigenschaft der Benutzungshistorie des Operationsmikroskopiesystems bezeichnen.
-
Basierend auf dem neuen Video 13 und den zusätzlichen Informationen 15 wird mit einem Klassifikator 17 das neue Video 13 einer von zwei Klassen zugeordnet, welche beschreiben, ob das neue Video gespeichert werden soll oder nicht gespeichert werden soll. Das Ergebnis der Klassifizierung durch den Klassifikator 17 wird in einem Schritt 25 ausgewertet, und dann, wenn gemäß der Klassifizierung ein Speichern des neuen Videos 13 in dem Datenspeicher 23 verlangt ist, einen Schritt 27 zur Übertragung des neuen Videos an den Datenspeicher 23 ausführt, während in dem Fall, dass das neue Video 13 nicht in dem Datenspeicher 23 gespeichert werden soll, ein Schritt 29 ausgeführt wird, in welchem das neue Video 13 möglicherweise zu Archivierungszwecken beispielsweise lokal bei dem Operationsmikroskop des Operationsmikroskopiesystems 5 gespeichert wird, aber nicht an den Datenspeicher 23 der Datenbank 3 übertragen wird, welcher die Daten speichert, mit denen das Instrument 9 des maschinellen Lernens trainiert wird. Der Schritt 27 des Übertragens des neuen Videos 13 an den Datenspeicher 23 der Datenbank 3 beinhaltet die Übermittlung des neuen Videos über einen Weg der Datenfernübertragung, der in 2 mit einem Pfeil 31 gekennzeichnet ist.
-
Beispielsweise in regelmäßigen Zeitintervallen oder immer dann, wenn eine vorbestimmte Anzahl neuer Videos 13 in dem Datenspeicher 23 der Datenbank 3 gespeichert wurde, führt ein Modul 33 eine Auswertung der Inhalte der Datenbank 3 durch. Diese Auswertung beinhaltet beispielsweise eine Analyse der in dem Datenspeicher 23 gespeicherten Videos, um Annotationen 34 zu bestimmen, welche den gespeicherten Videos zugeordnet werden können. Ferner können bereits bestehende Annotationen zu einem gegebenen gespeicherten Video beibehalten, geändert oder gelöscht werden. Ferner können neue Annotationen 34 zu einem bereits gespeicherten Video erzeugt werden. Neben der automatischen Erzeugung von Annotationen in dem Modul 33 ist es auch möglich, dass die Annotationen 34 zu gespeicherten Videos aus anderen Quellen stammen, wie beispielsweise menschlichen Experten.
-
In dem Modul 33 werden ferner den einzelnen gespeicherten Videos 23 Signifikanzen 37 zugeordnet. Die in dem Modul 33 neu bestimmten Annotationen und Signifikanzen können dann die in der Datenbank 3 gespeicherten Annotationen 34 und Signifikanzen 37 ersetzen, wie dies in 2 durch Pfeile 39 dargestellt ist.
-
Basierend auf den gespeicherten Videos 23, Annotationen 34 und Signifikanzen 37 wird in dem Modul 33 ferner ein neuer Klassifikator 35 bestimmt. Der neue Klassifikator 35 kann dann an das Mikroskopiesystem 5 übertragen werden, wie dies in 2 durch einen Pfeil 41 dargestellt ist. Der neue Klassifikator 35 kann dann den bestehenden Klassifikator 17 ersetzen, so dass zukünftige Entscheidungen, ob ein neues Video gespeichert werden soll oder nicht, mit dem neuen Klassifikator getroffen werden.
-
Unter Kenntnis des Entscheidungsprozesses durch den Klassifikator 17, kann das Modul 33 die Signifikanzen der einzelnen Videos 23 mit dem Ziel bestimmen, dass beim erneuten Zuordnen von Signifikanzen zu den Videos 23, nach dem weitere neue Videos in dem Datenspeicher gespeichert wurden, die einem jeweiligen Video 23 neu zugeordnete Signifikanz kleiner ist als die diesem Video zuvor zugeordnete Signifikanz. Hierfür sind Strategien verwendbar, die in anderen Bereichen der Datenverarbeitung als „uncerainty sampling“, „Least Confidence (LC)“, „Margin Sampling“ oder „Entropy Sampling“ bekannt sind.
-
Im Ergebnis ist das Verfahren damit so gestaltet, dass eine signifikante Anzahl an neuen Videos 13 nicht über den Übertragungsweg 31 an den Speicher 23 der Datenbank 3 übertragen wird. Dafür ist der neue Klassifikator 35 an das Operationsmikroskopiesystem 5 übertragen. Die bei dieser Übertragung 41 übermittelte Datenmenge ist aber wesentlich geringer als die mehreren neuen Videos entsprechende Datenmenge.
-
Der Klassifikator 17 kann weitere Funktionalitäten bieten. Beispielsweise kann der Klassifikator 17 dazu konfiguriert sein, neben der Entscheidung, ob ein Datensatz gespeichert werden soll oder nicht, weiter Prädiktionen vornehmen. Beispielsweise kann der Klassifikator feststellen, ob in den Bildern des analysierten Datensatzes ein bestimmtes Werkzeug oder ein bestimmter Gewebetyp sichtbar ist. Ist das so festgestellte Werkzeug ein dem Klassifikator nicht bekanntes Werkzeug oder ein nicht mit einer ausreichenden Signifikanz bekanntes Werkzeug, so kann beispielsweise immer entschieden werden, den zugehörigen Datensatz zu speichern. Ähnlich kann auch immer dann entschieden werden, den zugehörigen Datensatz zu speichern, wenn das so festgestellte Gewebe ein dem Klassifikator nicht bekanntes Gewebe oder ein nicht mit einer ausreichenden Signifikanz bekanntes Gewebe ist. Das Mikroskopiesystem 5 kann ferner auch dazu konfiguriert sein, mittels seiner Benutzerschnittstelle den Benutzer zu bitten, die neuen Datensätze zu annotieren. Der Benutzer kann diese Bitte ablehnen oder annehmen. Falls er sie annimmt, kann er seine Annotationen zu den Datensätzen über die Benutzerschnittstelle eingeben. Vorzugsweise wird der Benutzer nur dann um Annotationen gebeten, wenn die Entscheidung in dem Schritt 25 positiv, also „Ja“ war. Die vom Benutzer erhaltenen Annotationen können zusammen mit dem neuen Datensatz 13 an die Datenbank 3 übertragen werden und dort als die Annotation 34 gespeichert werden, die dem dann gespeicherten Datensatz 23 zugeordnet ist.
