[Digital Image Processing and Deep Neural Networks in Ophthalmology - Current Trends].

Autor:	Bartschat A; Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen., Allgeier S; Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen., Bohn S; Augenklinik, Universitätsmedizin Rostock.; Department Leben, Licht und Materie, Universität Rostock., Scherr T; Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen., Blessing D; Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen., Reichert KM; Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen., Reischl M; Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen., Stachs O; Augenklinik, Universitätsmedizin Rostock.; Department Leben, Licht und Materie, Universität Rostock., Koehler B; Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen., Mikut R; Institut für Automation und angewandte Informatik, Karlsruher Institut für Technologie, Eggenstein-Leopoldshafen.
Jazyk:	němčina
Zdroj:	Klinische Monatsblatter fur Augenheilkunde [Klin Monbl Augenheilkd] 2019 Dec; Vol. 236 (12), pp. 1399-1406. Date of Electronic Publication: 2019 Oct 31.
DOI:	10.1055/a-1008-9400
Abstrakt:	The use of deep neural networks ("deep learning") creates new possibilities in digital image processing. This approach has been widely applied and successfully used for the evaluation of image data in ophthalmology. In this article, the methodological approach of deep learning is examined and compared to the classical approach for digital image processing. The differences between the approaches are discussed and the increasingly important role of training data for model generation is explained. Furthermore, the approach of transfer learning for deep learning is presented with a representative data set from the field of corneal confocal microscopy. In this context, the advantages of the method and the specific problems when dealing with medical microscope data will be discussed. Competing Interests: Die Autoren geben an, dass kein Interessenkonflikt besteht. (Georg Thieme Verlag KG Stuttgart · New York.)
Databáze:	MEDLINE
Externí odkaz: