Neues KI-Tool erkennt synthetische Bildartefakte zuverlässig

Um die knappe Verfügbarkeit von Trainingsdaten für maschinelles Lernen zu überwinden, setzen Forscher vermehrt auf synthetische Bilder. Doch ohne sorgfältige Qualitätskontrolle können dabei Artefakte entstehen, die die Leistung von Modellen und ihre klinische Nützlichkeit beeinträchtigen. Ein neues Verfahren aus dem Bereich der wissensbasierten Anomalieerkennung löst dieses Problem: Es nutzt einen zweistufigen Ansatz, bei dem zunächst ein spezieller Feature‑Extractor die Winkelgradienten entlang anatomischer Grenzen analysiert und daraus einen maßgeschneiderten Merkmalsraum bildet. Anschließend wird ein Isolation‑Forest‑Algorithmus eingesetzt, um Netzwerk‑induzierte Formartefakte zu identifizieren.

Die Methode wurde erfolgreich an zwei synthetischen Mammographie‑Datensätzen getestet, die aus Modellen stammen, die auf den Patientendatensätzen CSAW‑M und VinDr‑Mammo trainiert wurden. Die Ergebnisse sind beeindruckend: In der höchsten Anomalie‑Partition (1. Perzentil) erreichte die Erkennung AUC‑Werte von 0,97 für CSAW‑syn und 0,91 für VMLO‑syn. Ein Leser‑Studie mit drei Bildgebungsexperten bestätigte die Wirksamkeit des Ansatzes – die von der KI als problematisch markierten Bilder wurden von den menschlichen Lesern mit durchschnittlichen Übereinstimmungsraten von 66 % bzw. 68 % erkannt, was etwa 1,5‑2‑mal höher ist als bei den wenigsten anomalien.

Die Korrelationen zwischen den algorithmischen und menschlichen Ranglisten lagen bei 0,45 bzw. 0,43, was die hohe Übereinstimmung unterstreicht. Dieses Tool bietet damit eine robuste, datenbasierte Lösung, um die Qualität synthetischer Bilddaten sicherzustellen und die Zuverlässigkeit von KI‑Modellen in der medizinischen Bildgebung zu erhöhen.