GE Healthcare | KI prüft Ultraschallgeräte

© GE Healthcare

In Zipf in Oberösterreich werden durch GE Healthcare hochmoderne Ultraschallgeräte produziert. Fraunhofer Austria unterstützte nun mit einer Künstlichen Intelligenz das Qualitätsmanagement.

Präzision und Zuverlässigkeit haben bei Medizinprodukten oberste Priorität. Daher werden auch die Ultraschallgeräte, die die Firma GE Healthcare in Oberösterreich produziert, strengen Tests unterzogen. Die bewährten Geräte der Produktfamilie Voluson sind weltweit so berühmt, dass sie dem kleinen Ort Zipf den Namen „Voluson Valley“ eingebracht haben und die im Projekt getesteten Vscan Air – hoch integrierte Geräte mit zwei Schallköpfen und einer kabellosen Verbindung zum Mobile Device –  revolutionieren derzeit die Anwendungsmöglichkeiten des Ultraschalls. Jedes einzelne Gerät wird nach der Montage geprüft. Dabei nimmt ein Techniker beziehungsweise eine Technikerin Testbilder auf. Danach wird das Ergebnis bewertet: befinden sich Auffälligkeiten in den Aufnahmen, die auf einen Fehler hindeuten könnten? Oder sieht das Bild so aus wie es aussehen muss? Die Beurteilung erfolgte bisher ausschließlich durch Menschen, doch das Betrachten zahlreicher fast identischer Bilder erfordert nicht nur eine hohe Konzentration, sondern auch viel Zeit. Eine Automatisierung dieses Arbeitsschrittes kann daher viel zur Effizienzsteigerung beitragen.

Der Faktor Mensch

„Künstliche Intelligenz ist in den letzten Jahren unglaublich stark darin geworden, Bilder zu analysieren und zu kategorisieren. Sie ist dabei viel schneller als ein Mensch es sein könnte, und liefert zum selben Bild auch immer dasselbe Ergebnis.“, erklärt Projektleiter Ulrich Krispel von Fraunhofer Austria. Muss ein Mensch Bilder bewerten, so ist immer auch eine subjektive Komponente im Spiel, die von der Erfahrung der Person, aber eventuell auch von der Tagesverfassung oder der Ermüdung abhängt. Die Möglichkeit, KI-gestützte Bilderkennung zur Prüfung in der Qualitätssicherung anzuwenden und die Prozesse zu digitalisieren, weckte daher das Interesse von GE Healthcare, wo man sich für die nötige KI-Expertise an Fraunhofer Austria wandte.

Training nur mit guten Bildern

Denkt man an das Trainieren einer KI, kommen oft Vorgehensweise wie Supervised Learning in den Sinn. Dabei werden der zu trainierenden KI große Mengen an Bildern zur Verfügung gestellt, die eindeutig als richtig oder falsch gekennzeichnet sind. Die KI lernt dann, die Fehler zu erkennen. Was aber, wenn fehlerhafte Bilder so selten vorkommen, dass sie zum Trainieren einer KI bei Weitem nicht ausreichen? Gerade bei einer gut organisierten Produktionsumgebung und streng genormten Vorgängen in der Produktion ist die Ausschussquote gering, die Anzahl von fehlerhaften Testbildern daher verschwindend klein. Von den 38.000 Aufnahmen, die dem Forschungsteam zum Trainieren der KI zur Verfügung standen, beinhalteten gerade einmal 13 einen Hinweis auf einen Produktionsfehler. Für ein klassisches KI-Training würde das bei Weitem nicht ausreichen.

Für diese Fälle haben die Forscherinnen und Forscher des Centers für Data Driven Design eine bewährte Technologie in petto: die Anomalieerkennung. Bei dieser Trainingsmethode stehen der KI ausschließlich gute oder auch „korrekte“ Prüfbilder zur Verfügung. Die KI erlernt sozusagen, wie ein ideales Bild auszusehen hat und schlägt bei jeder Form der Abweichung Alarm – wie gemacht für eine Anwendung, bei der man im Vorhinein nicht weiß, welche Fehler im Produktionsprozess theoretisch möglich wären und wie diese sich im Bild manifestieren würden.

Zur Überprüfung der resultierenden KI wurde diese auf weitere in der Produktion aufgenommene Bilder angewendet, diesmal natürlich auch auf fehlerhafte Bilder, die von dem Algorithmus mit großer Zuverlässigkeit erkannt wurden. Die Beurteilung eines Bildes durch die KI dauert nur Sekundenbruchteile und ist damit deutlich schneller und konsistenter als die Prüfung durch Menschen.

Vielseitig anwendbare Technologie

Die Forscherinnen und Forscher erhielten Daten, die in einem Zeitraum von 6 Monaten im Prüfprozess mitdokumentiert wurden. Durch Gespräche mit Domänenexperten wurde zuerst ein Verständnis für die Datengrundlage aufgebaut, danach wurde mit statistischen Methoden die Qualität der Daten geprüft sowie der für die KI relevante Teil in den Daten ermittelt. Mit diesen Daten wurde das KI-Verfahren trainiert, und mit einer Auswahl von bekannten guten und fehlerhaften Bildern evaluiert.

„Das Projekt war für uns eine spannende Herausforderung, denn es war unser erster Kontakt mit Ultraschalldaten. Wir haben das Verfahren bereits in anderen Unternehmen und ebenfalls im Qualitätsmanagement angewendet, zum Beispiel in der Halbleiterindustrie, dort waren es aber immer optische Kamerabilder, mit denen wir gearbeitet haben. Es war sehr interessant, die Technologie nun auch auf Ultraschallaufnahmen anzuwenden und zu sehen, wie gut sie dort funktioniert“, sagt Projektleiter Ulrich Krispel.

Begeistert ist man auch bei GE Healthcare, wo man das Projekt intern weiterverfolgen will. „Wir haben durch die Zusammenarbeit mit Fraunhofer Austria viel gelernt und konnten erkennen, welchen Nutzen die automatisierte Bildanalyse für uns bringen kann. Die Zusammenarbeit hat sehr gut funktioniert und kann das Team nur weiterempfehlen“, sagt Lothar Müller, Project Lead Advanced Manufacturing Engineering bei GE Healthcare.

Eckdaten

Projektname: Feasibility Study Ultrasound Anomaly
Projektdauer: 1 Monate
methoden:

Machbarkeitsstudie zur bildbasierten Anomalieerkennung auf Ultraschalldaten aus der Produktion. KI-basierte Qualitätskontrolle und statistische Verfahren.

ergebnis:

Zuverlässige Erkennung von Defekten anhand von Produktionsdaten