{"id":61538,"date":"2025-04-25T09:50:03","date_gmt":"2025-04-25T07:50:03","guid":{"rendered":"https:\/\/www.inovex.de\/?p=61538"},"modified":"2025-06-18T13:37:34","modified_gmt":"2025-06-18T11:37:34","slug":"einsatz-von-foundation-models-zur-erkennung-von-brustkrebs","status":"publish","type":"post","link":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/","title":{"rendered":"Einsatz von Foundation Models zur Erkennung von Brustkrebs"},"content":{"rendered":"<p>In diesem Beitrag beleuchten wir, wie das ConvNeXt-Modell, ein fortschrittliches Vision Foundation Model, in Kombination mit einem Random-Forest-Klassifikator zur Klassifikation von Mammographien eingesetzt werden kann.<!--more--><\/p>\n<p>Die Brustkrebsdiagnose ist eine der gr\u00f6\u00dften Herausforderungen in der modernen Medizin. Mit \u00fcber 70.000 neuen F\u00e4llen j\u00e4hrlich in Deutschland ist die Notwendigkeit pr\u00e4ziser und effizienter Diagnosemethoden unerl\u00e4sslich.<\/p>\n<p>Traditionelle Verfahren wie Mammographien und Biopsien sind zwar effektiv bei der Erkennung von Brustkrebs, jedoch erfordern sie eine manuelle Auswertung, die Expertise in Anspruch nimmt. Obwohl diese Verfahren relativ sicher sind und eine geringe Fehleranf\u00e4lligkeit aufweisen, ist der Zeitaufwand erheblich.<\/p>\n<p>Die Integration moderner Technologien k\u00f6nnte die Fr\u00fchdiagnose und Behandlung beschleunigen. Durch den Einsatz innovativer Ans\u00e4tze, wie z. B. k\u00fcnstlicher Intelligenz oder Computer Vision, k\u00f6nnten wir die Effizienz der Diagnoseprozesse erh\u00f6hen, ohne die bew\u00e4hrten Methoden zu ersetzen. Foundation Models, insbesondere im Bereich der Bildverarbeitung, bieten hier vielversprechende Ans\u00e4tze.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_83 counter-hierarchy ez-toc-counter ez-toc-custom ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\"><p class=\"ez-toc-title\" style=\"cursor:inherit\"><\/p>\n<\/div><nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Brustkrebs\" >Brustkrebs<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Diagnostik\" >Diagnostik<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Bildgebung-bei-Brustkrebs-Mammographie\" >Bildgebung bei Brustkrebs: Mammographie<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Verkalkungen-und-Massen\" >Verkalkungen und Massen<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Foundation-Models-Die-Zukunft-der-KI\" >Foundation Models: Die Zukunft der KI<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Vision-Foundation-Models-Das-visuelle-Pendant\" >Vision Foundation Models: Das visuelle Pendant<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Aufbau-von-Vision-Foundation-Models\" >Aufbau von Vision Foundation Models<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#ConvNeXt-Eine-neue-Aera-der-CNNs\" >ConvNeXt: Eine neue \u00c4ra der CNNs<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Merkmale-von-ConvNeXt\" >Merkmale von ConvNeXt<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Datensaetze\" >Datens\u00e4tze<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#DDSM-Patches\" >DDSM-Patches<\/a><ul class='ez-toc-list-level-4' ><li class='ez-toc-heading-level-4'><a class=\"ez-toc-link ez-toc-heading-12\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Datensatzdetails\" >Datensatzdetails<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-13\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#MIAS-Patches\" >MIAS-Patches<\/a><ul class='ez-toc-list-level-4' ><li class='ez-toc-heading-level-4'><a class=\"ez-toc-link ez-toc-heading-14\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Datensatzdetails-2\" >Datensatzdetails<\/a><\/li><\/ul><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-15\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Feature-Map-von-ConvNeXt-in-einem-Random-Forest\" >Feature Map von ConvNeXt in einem Random Forest<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-16\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Codebeispiel\" >Codebeispiel:<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-17\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Kommen-wir-zu-den-Ergebnissen\" >Kommen wir zu den Ergebnissen:<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-18\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Zusammenfassung\" >Zusammenfassung<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-19\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#Quellen\" >Quellen<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Brustkrebs\"><\/span>Brustkrebs<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Brustkrebs, auch als Mammakarzinom bekannt, ist die h\u00e4ufigste Krebserkrankung bei Frauen. Im Jahr 2018 wurden in Deutschland etwa 70.000 neue F\u00e4lle diagnostiziert. Brustkrebs macht etwa ein Drittel aller Krebserkrankungen bei Frauen aus, wobei das durchschnittliche Erkrankungsalter bei 64 Jahren liegt. Das Risiko, im Laufe des Lebens an Brustkrebs zu erkranken, liegt bei etwa 12,5 %. Die Letalit\u00e4tsrate betr\u00e4gt 23 %.<br \/>\nWie bei vielen Erkrankungen ist auch bei Brustkrebs eine fr\u00fchzeitige Diagnose entscheidend, da die Heilungschancen bei fr\u00fchzeitigem Erkennen deutlich besser sind. In den letzten Jahren haben medizinische Fortschritte die Heilungsraten verbessert. Die 5-Jahres-\u00dcberlebensrate in Deutschland liegt mittlerweile bei 88 %.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Diagnostik\"><\/span>Diagnostik<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Die Diagnostik von Brustkrebs in Deutschland folgt einem strukturierten Verfahren. Der erste Schritt ist oft das Screening mittels Mammographie, einer speziellen R\u00f6ntgenuntersuchung, die Frauen zwischen 50 und 69 Jahren alle zwei Jahre kostenfrei angeboten wird. Diese Untersuchung hilft, kleine Tumore fr\u00fchzeitig zu erkennen.<br \/>\nObwohl die Falsch-positiv-Rate bei Mammographien als gering eingesch\u00e4tzt wird, zeigen Studien, dass nach zehn Jahren mit j\u00e4hrlichen Screenings oder 20 Jahren mit zweij\u00e4hrlichen Untersuchungen etwa 50-60 % der Frauen mindestens einmal einen falsch-positiven Befund erhalten. Dies kann zu unn\u00f6tigen \u00c4ngsten und weiteren invasiven Verfahren f\u00fchren, wie z. B. Biopsien. Daher ist es wichtig, die bestehenden Diagnosemethoden zu verbessern, um die Genauigkeit zu erh\u00f6hen und die Belastung f\u00fcr die Patientinnen zu reduzieren.<\/p>\n<p>Hier bieten KI-Modelle eine vielversprechende Chance, die Falsch-positiv-Rate zu verringern und die Diagnosesicherheit zu erh\u00f6hen. Durch den Einsatz moderner Technologien k\u00f6nnten wir die Effizienz der Diagnoseprozesse steigern und gleichzeitig das Screening-Erlebnis f\u00fcr die Patientinnen optimieren.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Bildgebung-bei-Brustkrebs-Mammographie\"><\/span>Bildgebung bei Brustkrebs: Mammographie<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Die Mammographie ist eine zentrale Methode zur Fr\u00fcherkennung von Brustkrebs. Sie zeigt die Brust in zwei verschiedenen Ansichten, die mediolaterale oblique (MLO) und die craniocaudale (CC) Projektion, um eine detaillierte Darstellung der Strukturen zu erm\u00f6glichen.<\/p>\n<ul>\n<li>MLO ist eine Schr\u00e4gaufnahme, die eine umfassende Darstellung der Brust einschlie\u00dflich des oberen Brustgewebes erm\u00f6glicht.<\/li>\n<li>CC ist eine Horizontalaufnahme von oben nach unten, die prim\u00e4r die zentrale und untere Brust darstellt.<\/li>\n<\/ul>\n<h3><span class=\"ez-toc-section\" id=\"Verkalkungen-und-Massen\"><\/span>Verkalkungen und Massen<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Verkalkungen sind kleine Kalziumablagerungen in der Brust, die auf einer Mammographie sichtbar sind. Sie k\u00f6nnen harmlos sein, aber es gibt auch Arten, die auf Brustkrebs hinweisen k\u00f6nnen.<\/p>\n<p>Massen in der Brust bezeichnen feste oder fl\u00fcssigkeitsgef\u00fcllte Klumpen, die verschiedene Ursachen haben k\u00f6nnen. Gutartige Massen wie Zysten oder Fibroadenome sind h\u00e4ufig und normalerweise harmlos. B\u00f6sartige Massen hingegen deuten auf Brustkrebs hin und m\u00fcssen weiter untersucht werden.<\/p>\n<p>Bei auff\u00e4lligen Befunden wird oft eine Ultraschalluntersuchung durchgef\u00fchrt, um den Befund zu \u00fcberpr\u00fcfen. Wenn n\u00f6tig, kann eine Biopsie erfolgen, bei der Gewebeproben entnommen werden, um sicherzustellen, ob es sich um Krebs handelt.<br \/>\nZus\u00e4tzlich k\u00f6nnen bildgebende Verfahren wie die Magnetresonanztomographie (MRT) eingesetzt werden, um das Ausma\u00df der Erkrankung genauer zu bestimmen, insbesondere bei Hochrisikopatientinnen.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Foundation-Models-Die-Zukunft-der-KI\"><\/span>Foundation Models: Die Zukunft der KI<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Foundation Models sind ein Durchbruch in der k\u00fcnstlichen Intelligenz. Sie werden auf umfangreichen Datenmengen vortrainiert und k\u00f6nnen eine Vielzahl von Aufgaben unterst\u00fctzen, f\u00fcr die sie nicht explizit trainiert wurden. Mit nur minimalen Anpassungen k\u00f6nnen Foundation Models f\u00fcr sehr spezifische Aufgaben genutzt werden. Ein bekanntes Beispiel ist GPT-3, das f\u00fcr Sprachverarbeitungsaufgaben entwickelt wurde und als Basis f\u00fcr ChatGPT dient.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Vision-Foundation-Models-Das-visuelle-Pendant\"><\/span>Vision Foundation Models: Das visuelle Pendant<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Vision Foundation Models sind das \u00c4quivalent zu Sprachmodellen, speziell f\u00fcr Bildverarbeitung. Sie werden auf gro\u00dfen Bilddatens\u00e4tzen wie ImageNet vortrainiert und eignen sich f\u00fcr Aufgaben wie Bildklassifikation, Bildsegmentierung und Objekterkennung. Diese breite Einsatzm\u00f6glichkeit ist der gro\u00dfe Vorteil gegen\u00fcber spezialisierten Modellen wie Inception, das auf Bildklassifikation beschr\u00e4nkt ist.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Aufbau-von-Vision-Foundation-Models\"><\/span>Aufbau von Vision Foundation Models<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Diese Modelle bestehen typischerweise aus:<\/p>\n<ul>\n<li>Backbone-Netzwerk: Ein tiefes neuronales Netzwerk, das als Feature-Extractor dient.<\/li>\n<li>Attention-Mechanismen: Diese helfen dem Modell, relevante Bereiche in den Bilddaten zu identifizieren.<\/li>\n<li>Anpassungsschichten: Spezielle Schichten, die f\u00fcr spezifische Aufgaben hinzugef\u00fcgt werden k\u00f6nnen.<\/li>\n<\/ul>\n<h3><span class=\"ez-toc-section\" id=\"ConvNeXt-Eine-neue-Aera-der-CNNs\"><\/span>ConvNeXt: Eine neue \u00c4ra der CNNs<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>ConvNeXt ist eine Weiterentwicklung traditioneller Convolutional Neural Networks (CNNs) und zielt darauf ab, deren Leistungsf\u00e4higkeit zu steigern. Diese Modelle sind einfach zu implementieren und effizient, mit weniger Bedarf an Hyperparameter-Tuning.<\/p>\n<figure id=\"attachment_61654\" aria-describedby=\"caption-attachment-61654\" style=\"width: 895px\" class=\"wp-caption alignnone\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-61654 size-full\" style=\"color: #404040; text-align: center;\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Convnext.webp\" alt=\"\" width=\"895\" height=\"243\" srcset=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Convnext.webp 895w, https:\/\/www.inovex.de\/wp-content\/uploads\/Convnext-300x81.webp 300w, https:\/\/www.inovex.de\/wp-content\/uploads\/Convnext-768x209.webp 768w, https:\/\/www.inovex.de\/wp-content\/uploads\/Convnext-400x109.webp 400w, https:\/\/www.inovex.de\/wp-content\/uploads\/Convnext-360x98.webp 360w\" sizes=\"auto, (max-width: 895px) 100vw, 895px\" \/><figcaption id=\"caption-attachment-61654\" class=\"wp-caption-text\">Abbildung 1: Die Architektur von ConvNeXt zeigt die Struktur, die tiefere und breitere Schichten als CNNs zur Erfassung komplexer Muster nutzt.<\/figcaption><\/figure>\n<h3><span class=\"ez-toc-section\" id=\"Merkmale-von-ConvNeXt\"><\/span>Merkmale von ConvNeXt<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>ConvNeXt-Modelle sind tiefer und breiter als herk\u00f6mmliche CNNs, mit mehr Schichten und Filtern, um komplexe Muster zu erfassen und bedienen sich der Vorteile von CNNs und integrieren sie in das Schema von Foundation-Modellen. Moderne Trainingstechniken wie der AdamW-Optimierer stabilisieren und beschleunigen das Training. Datenanreicherungstechniken wie Mixup und Cutmix erweitern den Trainingsdatensatz k\u00fcnstlich und erh\u00f6hen die Robustheit der Modelle.<\/p>\n<p>Ein herausragendes Merkmal von ConvNeXt ist das invertierte Bottleneck-Design, das von Vision Transformers inspiriert ist. Dieses Design erh\u00f6ht die Dimensionen durch erweiterte Layer, die eine gr\u00f6\u00dfere Anzahl von Kan\u00e4len bereitstellen, um mehr Informationen zu verarbeiten, bevor sie in einer nachfolgenden Schicht wieder reduziert werden. Dadurch wird eine effizientere Verarbeitung erm\u00f6glicht, da die Modelle in der Lage sind, komplexere Merkmale zu lernen.<\/p>\n<p>Dar\u00fcber hinaus werden spezifische Aktivierungs- und Normalisierungstechniken angewendet:<\/p>\n<ul>\n<li>Die GELU-Aktivierungsfunktion (Gaussian Error Linear Unit) ersetzt die herk\u00f6mmliche ReLU-Funktion. GELU bietet eine sanftere Aktivierung, die dazu beitr\u00e4gt, die Verteilung der Aktivierungen zu verbessern und die Lernf\u00e4higkeit des Modells zu erh\u00f6hen, indem sie eine probabilistische Aktivierung anwendet, die sowohl positive als auch negative Werte ber\u00fccksichtigt.<\/li>\n<li>Layer Normalization wird anstelle von Batch Normalization verwendet. Der Vorteil von Layer Normalization liegt darin, dass es die Normalisierung auf der Ebene der einzelnen Schichten anwendet, was insbesondere bei variierenden Batch-Gr\u00f6\u00dfen und in Situationen mit sequenziellen Daten vorteilhaft ist. Dies tr\u00e4gt zur Stabilit\u00e4t des Trainings bei und erm\u00f6glicht eine schnellere Konvergenz.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Datensaetze\"><\/span>Datens\u00e4tze<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>F\u00fcr die automatisierte Klassifizierung von Mammographieaufnahmen wurden die DDSM-Patches-Datens\u00e4tze (Digital Database for Screening Mammography) und MIAS-Patches-Datens\u00e4tze (Mammographic Image Analysis Society) verwendet. Beide Datens\u00e4tze bestehen aus Ausschnitten von Mammographien, die Brustgewebe enthalten.<\/p>\n<p>Ein Teil des DDSM-Patches-Datensatzes wurde verwendet, um das Foundation-Modell nachzutrainieren. Der andere Teil des DDSM-Patches-Datensatzes sowie der MIAS-Patches-Datensatz wurden zum Testen und Validieren des Modells eingesetzt.<\/p>\n<p>Der MIAS-Patches-Datensatz wurde ausschlie\u00dflich zum Testen und Validieren verwendet, um die Generalisierbarkeit des Modells zu \u00fcberpr\u00fcfen. Dies bedeutet, dass untersucht wurde, ob das Modell nicht nur auf dem Datensatz, auf dem es trainiert wurde, gut abschneidet, sondern auch auf anderen Datens\u00e4tzen zuverl\u00e4ssig funktioniert.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"DDSM-Patches\"><\/span>DDSM-Patches<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>F\u00fcr das Experiment wird der von Eric A. Scuccimarra erstellte Datensatz verwendet. Die Bilddaten stammen aus den Datenbanken DDSM und CBIS-DDSM und wurden in 299&#215;299 Pixel gro\u00dfe Patches geschnitten. Diese Patches zeigen verschiedene Gewebearten, darunter gesundes und ungesundes Brustgewebe. Die Daten sind in mehreren TFRecords gespeichert, die f\u00fcr eine effiziente Nutzung in TensorFlow optimiert sind.<\/p>\n<h4><span class=\"ez-toc-section\" id=\"Datensatzdetails\"><\/span>Datensatzdetails<span class=\"ez-toc-section-end\"><\/span><\/h4>\n<ul>\n<li>Anzahl der Trainingsbilder: 55.885<\/li>\n<li>Negative Bilder: 48.596 (gesundes Brustgewebe)<\/li>\n<li>Positive Bilder: 7.289 (ungesundes Brustgewebe)<\/li>\n<\/ul>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"alignnone wp-image-61646 size-medium\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-gesund-300x300.png\" alt=\"Mammographieaufnahme von ungesundem Brustgewebe\" width=\"300\" height=\"300\" srcset=\"https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-gesund-300x300.png 300w, https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-gesund-150x150.png 150w, https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-gesund-400x401.png 400w, https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-gesund-650x650.png 650w, https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-gesund-360x361.png 360w, https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-gesund.png 666w\" sizes=\"auto, (max-width: 300px) 100vw, 300px\" \/><img loading=\"lazy\" decoding=\"async\" class=\"alignnone wp-image-61648 size-medium\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-ungesund-300x300.png\" alt=\"Mammographieaufnahme von gesundem Brustgewebe\" width=\"300\" height=\"300\" srcset=\"https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-ungesund-300x300.png 300w, https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-ungesund-150x150.png 150w, https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-ungesund-400x400.png 400w, https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-ungesund-650x650.png 650w, https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-ungesund-360x360.png 360w, https:\/\/www.inovex.de\/wp-content\/uploads\/DDSM-ungesund.png 666w\" sizes=\"auto, (max-width: 300px) 100vw, 300px\" \/><\/p>\n<p><em><span style=\"color: #505d6d; font-size: 18px;\">Abbildung 2 + 3: DDSM &#8211; ungesundes Brustgewebe (links) &#8211; gesundes Brustgewebe (rechts) <\/span><\/em><\/p>\n<p>&nbsp;<\/p>\n<h3><span class=\"ez-toc-section\" id=\"MIAS-Patches\"><\/span>MIAS-Patches<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Der MIAS-Datensatz wird verwendet, um eine Generalisierbarkeit zu untersuchen. Dazu ist eine sorgf\u00e4ltige Vorverarbeitung notwendig, um den Datensatz in die gleiche Form wie den DDSM-Patches-Datensatz zu bringen.<br \/>\nDie Vorverarbeitung basiert auf einem angepassten Notebook von Eric A. Scuccimarra, das die wichtigen Schritte enth\u00e4lt, um auf die vergleichbare Form zu kommen. Die Patches werden ebenfalls in TFRecords gespeichert.<\/p>\n<h4><span class=\"ez-toc-section\" id=\"Datensatzdetails-2\"><\/span>Datensatzdetails<span class=\"ez-toc-section-end\"><\/span><\/h4>\n<ul>\n<li>Anzahl der Trainingsbilder: 429<\/li>\n<li>Negative Bilder: 72 (gesundes Brustgewebe)<\/li>\n<li>Positive Bilder: 356 (ungesundes Brustgewebe)<\/li>\n<\/ul>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"alignnone wp-image-61652 size-medium\" style=\"color: #404040;\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/MIAS-gesund-300x286.png\" alt=\"Mammographieaufnahme von ungesundem Brustgewebe\" width=\"300\" height=\"286\" srcset=\"https:\/\/www.inovex.de\/wp-content\/uploads\/MIAS-gesund-300x286.png 300w, https:\/\/www.inovex.de\/wp-content\/uploads\/MIAS-gesund-400x382.png 400w, https:\/\/www.inovex.de\/wp-content\/uploads\/MIAS-gesund-360x343.png 360w, https:\/\/www.inovex.de\/wp-content\/uploads\/MIAS-gesund.png 692w\" sizes=\"auto, (max-width: 300px) 100vw, 300px\" \/><img loading=\"lazy\" decoding=\"async\" class=\"alignnone wp-image-61650\" style=\"color: #404040;\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/MIAS-ungesund-300x300.png\" alt=\"Mammographieaufnahme von gesundem Brustgewebe\" width=\"288\" height=\"288\" srcset=\"https:\/\/www.inovex.de\/wp-content\/uploads\/MIAS-ungesund-300x300.png 300w, https:\/\/www.inovex.de\/wp-content\/uploads\/MIAS-ungesund-150x150.png 150w, https:\/\/www.inovex.de\/wp-content\/uploads\/MIAS-ungesund-400x399.png 400w, https:\/\/www.inovex.de\/wp-content\/uploads\/MIAS-ungesund-650x650.png 650w, https:\/\/www.inovex.de\/wp-content\/uploads\/MIAS-ungesund-360x359.png 360w, https:\/\/www.inovex.de\/wp-content\/uploads\/MIAS-ungesund.png 668w\" sizes=\"auto, (max-width: 288px) 100vw, 288px\" \/><\/p>\n<p><em>Abbildung 4 + 5: MIAS &#8211; ungesundes Brustgewebe (links) &#8211; gesundes Brustgewebe (rechts)<\/em><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Feature-Map-von-ConvNeXt-in-einem-Random-Forest\"><\/span>Feature Map von ConvNeXt in einem Random Forest<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Mit dem Verst\u00e4ndnis unserer Daten k\u00f6nnen wir nun in den praktischen Teil unserer Analyse eintauchen.<\/p>\n<figure id=\"attachment_61658\" aria-describedby=\"caption-attachment-61658\" style=\"width: 3000px\" class=\"wp-caption alignnone\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-61658 size-full\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Design-ohne-Titel.png\" alt=\"\" width=\"3000\" height=\"1000\" srcset=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Design-ohne-Titel.png 3000w, https:\/\/www.inovex.de\/wp-content\/uploads\/Design-ohne-Titel-300x100.png 300w, https:\/\/www.inovex.de\/wp-content\/uploads\/Design-ohne-Titel-1024x341.png 1024w, https:\/\/www.inovex.de\/wp-content\/uploads\/Design-ohne-Titel-768x256.png 768w, https:\/\/www.inovex.de\/wp-content\/uploads\/Design-ohne-Titel-1536x512.png 1536w, https:\/\/www.inovex.de\/wp-content\/uploads\/Design-ohne-Titel-2048x683.png 2048w, https:\/\/www.inovex.de\/wp-content\/uploads\/Design-ohne-Titel-1920x640.png 1920w, https:\/\/www.inovex.de\/wp-content\/uploads\/Design-ohne-Titel-400x133.png 400w, https:\/\/www.inovex.de\/wp-content\/uploads\/Design-ohne-Titel-360x120.png 360w\" sizes=\"auto, (max-width: 3000px) 100vw, 3000px\" \/><figcaption id=\"caption-attachment-61658\" class=\"wp-caption-text\">Abbildung 6: Architektur: den letzten Layer von ConvNeXt durch einen Random Forest ausgetauscht<\/figcaption><\/figure>\n<p>In unseren Experimenten haben wir die Feature-Map des vortrainierten ConvNeXt-Modells extrahiert und zur Klassifikation verwendet. Dieser Ansatz umfasst die folgenden Schritte:<br \/>\nExtraktion der Feature-Map: Wir schneiden die letzte Schicht des ConvNeXt-Modells ab, um die Feature-Map der Eingabebilder zu erhalten, die die abstrahierten Merkmale enth\u00e4lt.<br \/>\nTraining des Random Forest-Klassifikators: Auf Basis der extrahierten Features trainieren wir einen Random Forest-Klassifikator unter Verwendung von Standard-Hyperparametern.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Codebeispiel\"><\/span>Codebeispiel:<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<pre class=\"lang:python decode:true\">from tensorflow.keras.models import Model\r\nfrom tensorflow.keras.layers import Flatten\r\nfrom tensorflow.keras.applications import ConvNeXtSmall\r\nfrom sklearn.ensemble import RandomForestClassifier\r\nimport numpy as np\r\n\r\n# PARAMETER\r\nimg_size = 224\r\n\r\n# ConvNeXt Modell initialisieren\r\ninput_shape = (img_size, img_size, 3)\r\nbase_model = ConvNeXtSmall(include_top=False, weights=\"imagenet\", input_shape=input_shape)\r\nx = Flatten()(base_model.output)\r\nmodel = Model(inputs=base_model.input, outputs=x)\r\n\r\n# Extrahieren von Features\r\nBerechne Features mit dem Modell und erstelle zwei Listen features_train, labels_train)\r\n\r\n\r\n# Random Forest Klassifikator trainieren\r\nrf_classifier = RandomForestClassifier(random_state=42, n_estimators = 150, max_features = 'log2', max_depth = None, min_samples_split = 2 und min_samples_leaf = 6)\r\nrf_classifier.fit(features_train, labels_train)<\/pre>\n<p>In dieser Analyse wurde ein Random Forest-Modell auf einem ausgewogenen Datensatz von 500 Patches des DDSM-Patches-Datensatz trainiert. Der Datensatz umfasste 250 Patches mit gesundem Gewebe und 250 Patches mit ungesundem Gewebe. Die Klassifikation beschr\u00e4nkte sich auf eine bin\u00e4re Entscheidung, um die Unterscheidung zwischen gesundem und ungesundem Gewebe zu erm\u00f6glichen.<\/p>\n<p>F\u00fcr die Evaluierung des Modells wurden insgesamt 512 Patches aus dem DDSM-Datensatz verwendet, wobei darauf geachtet wurde, dass die Labels ausgewogen sind. Zus\u00e4tzlich kam der Mias-Patch-Datensatz vollst\u00e4ndig zum Einsatz, um die Robustheit des Modells zu testen.<\/p>\n<p>Die Hauptmetrik zur Bewertung der Modellleistung war der F1-Score, der eine harmonische Mittelung von Pr\u00e4zision und Recall darstellt. Dar\u00fcber hinaus wurde die Konfusionsmatrix analysiert, um ein detailliertes Verst\u00e4ndnis der Klassifikationsleistung zu gewinnen.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Kommen-wir-zu-den-Ergebnissen\"><\/span>Kommen wir zu den Ergebnissen:<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<figure id=\"attachment_61666\" aria-describedby=\"caption-attachment-61666\" style=\"width: 300px\" class=\"wp-caption alignnone\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-61666 size-medium\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.44.37-300x228.png\" alt=\"\" width=\"300\" height=\"228\" srcset=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.44.37-300x228.png 300w, https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.44.37-1024x780.png 1024w, https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.44.37-768x585.png 768w, https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.44.37-400x305.png 400w, https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.44.37-360x274.png 360w, https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.44.37.png 1316w\" sizes=\"auto, (max-width: 300px) 100vw, 300px\" \/><figcaption id=\"caption-attachment-61666\" class=\"wp-caption-text\">Abbildung 7: Konfusionsmatrix des hyperparameteroptimierten Random Forest auf dem DDSM-Patches-Datensatz<\/figcaption><\/figure>\n<p>Die Analyse des DDSM-Datensatzes zeigt, dass der F1-Score f\u00fcr die Klasse \u201enormal\u201c bei 0,80 liegt, w\u00e4hrend die Klasse \u201eabnormal\u201c einen F1-Score von 0,84 erreicht. Der durchschnittliche F1-Score f\u00fcr das Modell betr\u00e4gt somit 0,82.<\/p>\n<p>Die Konfusionsmatrix liefert folgende Ergebnisse:<\/p>\n<ul>\n<li>185 korrekt klassifizierte \u201enormal\u201c Patches<\/li>\n<li>71 falsch klassifizierte \u201eanomaly\u201c Patches<\/li>\n<li>20 falsch klassifizierte \u201enormal\u201c Patches<\/li>\n<li>236 korrekt klassifizierte \u201eanomaly\u201c Patches<\/li>\n<\/ul>\n<figure id=\"attachment_61668\" aria-describedby=\"caption-attachment-61668\" style=\"width: 300px\" class=\"wp-caption alignnone\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-61668 size-medium\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.45.03-300x227.png\" alt=\"\" width=\"300\" height=\"227\" srcset=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.45.03-300x227.png 300w, https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.45.03-1024x775.png 1024w, https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.45.03-768x581.png 768w, https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.45.03-400x303.png 400w, https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.45.03-360x272.png 360w, https:\/\/www.inovex.de\/wp-content\/uploads\/Bildschirmfoto-2025-04-09-um-09.45.03.png 1298w\" sizes=\"auto, (max-width: 300px) 100vw, 300px\" \/><figcaption id=\"caption-attachment-61668\" class=\"wp-caption-text\">Abbildung 8: Konfusionsmatrix des hyperparameteroptimierten Random Forest auf dem MIAS-Patches-Datensatz<\/figcaption><\/figure>\n<p>Im MIAS-Patches-Datensatz wurde ein F1-Score von 0,71 f\u00fcr die Klasse \u201enormal\u201c und ein F1-Score von 0,94 f\u00fcr die Klasse \u201eanomaly\u201c ermittelt. Der durchschnittliche F1-Score betr\u00e4gt hier 0,83.<\/p>\n<p>Die Konfusionsmatrix zeigt die folgenden Ergebnisse:<\/p>\n<ul>\n<li>53 korrekt klassifizierte \u201enormal\u201c Patches<\/li>\n<li>19 falsch klassifizierte \u201eanomaly\u201c Patches<\/li>\n<li>14 falsch klassifizierte \u201enormal\u201c Patches<\/li>\n<li>346 korrekt klassifizierte \u201eanomaly\u201c Patches<\/li>\n<\/ul>\n<p>Diese Ergebnisse deuten auf eine h\u00f6here Effektivit\u00e4t des Modells bei der Erkennung der Klasse \u201eanomaly\u201c hin. Au\u00dferdem generalisiert es gut, da es auch auf den MIAS Datensatz performt.<\/p>\n<p>Die Ergebnisse unserer Experimente zeigen, dass die Kombination von ConvNeXt mit einem Random Forest-Klassifikator vielversprechende Fortschritte in der Brustkrebsklassifikation erm\u00f6glicht, um \u00c4rzt:innen bei der Erkennung zu unterst\u00fctzen. Diese Ergebnisse verdeutlichen das Potenzial von Foundation Models in der medizinischen Bildverarbeitung und er\u00f6ffnen neue M\u00f6glichkeiten f\u00fcr die Zukunft der Brustkrebsdiagnostik. Mit weiteren Optimierungen und Anpassungen k\u00f6nnten solche Ans\u00e4tze die Grundlage f\u00fcr pr\u00e4zisere und schnellere Diagnosen bilden, was letztlich zu besseren Behandlungsergebnissen f\u00fcr Patientinnen f\u00fchren k\u00f6nnte.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Zusammenfassung\"><\/span>Zusammenfassung<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Zusammenfassend wurde die vielversprechende Rolle von Foundation Models, insbesondere des ConvNeXt-Modells, in der Brustkrebsdiagnose beleuchtet. Die Kombination moderner KI-Technologien mit traditionellen Diagnosemethoden zeigt erhebliches Potenzial zur Verbesserung der Genauigkeit und Effizienz, um zuk\u00fcnftig \u00c4rz:innen bei der Diagnose zu unterst\u00fctzen. Zuk\u00fcnftige Forschungen sollten sich auf die Integration dieser Tools in klinische Abl\u00e4ufe, die Anwendung auf andere Krebsarten sowie die Optimierung der Modelle konzentrieren.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Quellen\"><\/span>Quellen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><span style=\"font-weight: 400;\"> Bartl, \u201eH\u00e4ufigkeit und Prognose des Brustkrebses\u201c, in Brustkrebs und Knochenprobleme, in essentials. , Berlin, Heidelberg: Springer, 2022. Zugegriffen: 15. Mai 2024. [Online]. Verf\u00fcgbar unter: <\/span><a href=\"https:\/\/link.springer.com\/book\/10.1007\/978-3-662-65465-1\"><span style=\"font-weight: 400;\">https:\/\/link.springer.com\/book\/10.1007\/978-3-662-65465-1<\/span><\/a><\/p>\n<p><span style=\"font-weight: 400;\"> L. Siegel, K. D. Miller, und A. Jemal, \u201eCancer statistics, 2020\u201c,CA. CancerJ. Clin., Bd. 70, Nr. 1, S. 7\u201330, 2020, doi: 10.3322\/caac.21590.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">Leitlinienprogramm Onkologie (Deutsche Krebsgesellschaft, Deutsche Krebshilfe,AWMF), Hrsg., \u201eInterdisziplin\u00e4re S3-Leitlinie f\u00fcr die Fr\u00fcherkennung, Diagnostik, Therapie und Nachsorge des Mammakarzinoms\u201c, Nr.Version 4.4, Juni 2021<\/span><\/p>\n<p><span style=\"font-weight: 400;\"> Erdo\u011fan, \u201eConvNeXt\u2014Next Generation of Convolutional Networks\u201c, Medium. Zugegriffen: 31. Juli 2024. [Online]. Verf\u00fcgbar unter: <\/span><a href=\"https:\/\/medium.com\/@atakanerdogan305\/convnext-next-generation-of-convolutional-networks-325607a08c46\"><span style=\"font-weight: 400;\">https:\/\/medium.com\/@atakanerdogan305\/convnext-next-generation-of-convolutional-networks-325607a08c46<\/span><\/a><\/p>\n<p><span style=\"font-weight: 400;\"> Liuetal., \u201eA ConvNet for the 2020s\u201c. arXiv, 2. M\u00e4rz 2022. Zugegriffen: 3.Mai 2024. [Online]. Verf\u00fcgbar unter: <\/span><a href=\"http:\/\/arxiv.org\/abs\/2201.03545\"><span style=\"font-weight: 400;\">http:\/\/arxiv.org\/abs\/2201.03545<\/span><\/a><\/p>\n<p><span style=\"font-weight: 400;\"> Sawyer Leeet al., \u201eCBIS-DDSM\u201c, Dataset Ninja. Zugegriffen: 24. Juli2024. [Online]. Verf\u00fcgbar unter: <\/span><a href=\"https:\/\/datasetninja.com\/cbis-ddsm\"><span style=\"font-weight: 400;\">https:\/\/datasetninja.com\/cbis-ddsm<\/span><\/a><\/p>\n<p><span style=\"font-weight: 400;\"> E. A. Scuccimarra, \u201eDDSM Mammography\u201c, kaggle. Zugegriffen: 22. Mai2024. [Online]. Verf\u00fcgbar unter: <\/span><a href=\"https:\/\/www.kaggle.com\/datasets\/skooch\/ddsm-mammography\"><span style=\"font-weight: 400;\">https:\/\/www.kaggle.com\/datasets\/skooch\/ddsm-mammography<\/span><\/a><\/p>\n<p><span style=\"font-weight: 400;\"> Suckling, \u201eThe mini-MIAS database of mammograms\u201c. Zugegriffen: 22. Mai 2024. [Online]. Verf\u00fcgbar unter: <\/span><a href=\"http:\/\/peipa.essex.ac.uk\/info\/mias.html\"><span style=\"font-weight: 400;\">http:\/\/peipa.essex.ac.uk\/info\/mias.html<\/span><\/a><\/p>\n<p><span style=\"font-weight: 400;\">E. A. Scuccimarra, \u201emias-mammography\/crop_mias_images_9.ipynb\u201c, GitHub. Zugegriffen: 12. September2024. [Online]. Verf\u00fcgbar unter: <\/span><a href=\"https:\/\/github.com\/escuccim\/mias-mammography\/blob\/master\/crop_mias_images_9.ipynb\"><span style=\"font-weight: 400;\">https:\/\/github.com\/escuccim\/mias-mammography\/blob\/master\/crop_mias_images_9.ipynb<\/span><\/a><\/p>\n<p><span style=\"font-weight: 400;\">E. A. Scuccimarra, \u201eescuccim\/mias-mammography\u201c. 15. Mai 2024. Zugegriffen: 10. Juni 2024. [Online]. Verf\u00fcgbar unter: <a href=\"https:\/\/github.com\/escuccim\/mias-mammography\">https:\/\/github.com\/escuccim\/mias-mammography<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>In diesem Beitrag beleuchten wir, wie das ConvNeXt-Modell, ein fortschrittliches Vision Foundation Model, in Kombination mit einem Random-Forest-Klassifikator zur Klassifikation von Mammographien eingesetzt werden kann.<\/p>\n","protected":false},"author":346,"featured_media":61959,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"ep_exclude_from_search":false,"footnotes":""},"tags":[511,150,151,407,408],"service":[76,436,958],"coauthors":[{"id":346,"display_name":"Hannah Hepke","user_nicename":"hhepke"}],"class_list":["post-61538","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","tag-artificial-intelligence-2","tag-computer-vision","tag-deep-learning","tag-e-health","tag-gesundheitswesen","service-artificial-intelligence","service-computer-vision","service-ehealth"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.6 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Einsatz von Foundation Models zur Erkennung von Brustkrebs - inovex GmbH<\/title>\n<meta name=\"description\" content=\"In diesem Beitrag beleuchten wir, wie das ConvNeXt-Modell zur Klassifikation von Mammographien eingesetzt werden kann.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Einsatz von Foundation Models zur Erkennung von Brustkrebs - inovex GmbH\" \/>\n<meta property=\"og:description\" content=\"In diesem Beitrag beleuchten wir, wie das ConvNeXt-Modell zur Klassifikation von Mammographien eingesetzt werden kann.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/\" \/>\n<meta property=\"og:site_name\" content=\"inovex GmbH\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/inovexde\" \/>\n<meta property=\"article:published_time\" content=\"2025-04-25T07:50:03+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2025-06-18T11:37:34+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Einsatz-von-Foundation-Models-zur-Erkennung-von-Brustkrebs.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1500\" \/>\n\t<meta property=\"og:image:height\" content=\"880\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Hannah Hepke\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:image\" content=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Einsatz-von-Foundation-Models-zur-Erkennung-von-Brustkrebs-1024x601.png\" \/>\n<meta name=\"twitter:creator\" content=\"@inovexgmbh\" \/>\n<meta name=\"twitter:site\" content=\"@inovexgmbh\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Hannah Hepke\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"11\u00a0Minuten\" \/>\n\t<meta name=\"twitter:label3\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data3\" content=\"Hannah Hepke\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/\"},\"author\":{\"name\":\"Hannah Hepke\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#\\\/schema\\\/person\\\/aa8af60af275e3c355fa324f1c7c8e7c\"},\"headline\":\"Einsatz von Foundation Models zur Erkennung von Brustkrebs\",\"datePublished\":\"2025-04-25T07:50:03+00:00\",\"dateModified\":\"2025-06-18T11:37:34+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/\"},\"wordCount\":2162,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/Einsatz-von-Foundation-Models-zur-Erkennung-von-Brustkrebs.png\",\"keywords\":[\"Artificial Intelligence\",\"Computer Vision\",\"Deep Learning\",\"e-health\",\"Gesundheitswesen\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/\",\"url\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/\",\"name\":\"Einsatz von Foundation Models zur Erkennung von Brustkrebs - inovex GmbH\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/Einsatz-von-Foundation-Models-zur-Erkennung-von-Brustkrebs.png\",\"datePublished\":\"2025-04-25T07:50:03+00:00\",\"dateModified\":\"2025-06-18T11:37:34+00:00\",\"description\":\"In diesem Beitrag beleuchten wir, wie das ConvNeXt-Modell zur Klassifikation von Mammographien eingesetzt werden kann.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/Einsatz-von-Foundation-Models-zur-Erkennung-von-Brustkrebs.png\",\"contentUrl\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/Einsatz-von-Foundation-Models-zur-Erkennung-von-Brustkrebs.png\",\"width\":1500,\"height\":880,\"caption\":\"llustration einer medizinischen Umgebung, in der eine Frau f\u00fcr eine Mammographie positioniert ist, w\u00e4hrend eine Fachkraft an einem Monitor arbeitet. Im Hintergrund sind digitale Daten in Form von Bin\u00e4rcode dargestellt.\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Einsatz von Foundation Models zur Erkennung von Brustkrebs\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#website\",\"url\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/\",\"name\":\"inovex GmbH\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#organization\",\"name\":\"inovex GmbH\",\"url\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/2021\\\/03\\\/inovex-logo-16-9-1.png\",\"contentUrl\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/2021\\\/03\\\/inovex-logo-16-9-1.png\",\"width\":1921,\"height\":1081,\"caption\":\"inovex GmbH\"},\"image\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/inovexde\",\"https:\\\/\\\/x.com\\\/inovexgmbh\",\"https:\\\/\\\/www.instagram.com\\\/inovexlife\\\/\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/inovex\",\"https:\\\/\\\/www.youtube.com\\\/channel\\\/UC7r66GT14hROB_RQsQBAQUQ\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#\\\/schema\\\/person\\\/aa8af60af275e3c355fa324f1c7c8e7c\",\"name\":\"Hannah Hepke\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/cropped-619995eb-b33b-4643-a1ed-0d29c59b6aaa-96x96.jpegf3898936c8b33561420c124dcb3c1a18\",\"url\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/cropped-619995eb-b33b-4643-a1ed-0d29c59b6aaa-96x96.jpeg\",\"contentUrl\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/cropped-619995eb-b33b-4643-a1ed-0d29c59b6aaa-96x96.jpeg\",\"caption\":\"Hannah Hepke\"},\"url\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/author\\\/hhepke\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Einsatz von Foundation Models zur Erkennung von Brustkrebs - inovex GmbH","description":"In diesem Beitrag beleuchten wir, wie das ConvNeXt-Modell zur Klassifikation von Mammographien eingesetzt werden kann.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/","og_locale":"de_DE","og_type":"article","og_title":"Einsatz von Foundation Models zur Erkennung von Brustkrebs - inovex GmbH","og_description":"In diesem Beitrag beleuchten wir, wie das ConvNeXt-Modell zur Klassifikation von Mammographien eingesetzt werden kann.","og_url":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/","og_site_name":"inovex GmbH","article_publisher":"https:\/\/www.facebook.com\/inovexde","article_published_time":"2025-04-25T07:50:03+00:00","article_modified_time":"2025-06-18T11:37:34+00:00","og_image":[{"width":1500,"height":880,"url":"https:\/\/www.inovex.de\/wp-content\/uploads\/Einsatz-von-Foundation-Models-zur-Erkennung-von-Brustkrebs.png","type":"image\/png"}],"author":"Hannah Hepke","twitter_card":"summary_large_image","twitter_image":"https:\/\/www.inovex.de\/wp-content\/uploads\/Einsatz-von-Foundation-Models-zur-Erkennung-von-Brustkrebs-1024x601.png","twitter_creator":"@inovexgmbh","twitter_site":"@inovexgmbh","twitter_misc":{"Verfasst von":"Hannah Hepke","Gesch\u00e4tzte Lesezeit":"11\u00a0Minuten","Written by":"Hannah Hepke"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#article","isPartOf":{"@id":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/"},"author":{"name":"Hannah Hepke","@id":"https:\/\/www.inovex.de\/de\/#\/schema\/person\/aa8af60af275e3c355fa324f1c7c8e7c"},"headline":"Einsatz von Foundation Models zur Erkennung von Brustkrebs","datePublished":"2025-04-25T07:50:03+00:00","dateModified":"2025-06-18T11:37:34+00:00","mainEntityOfPage":{"@id":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/"},"wordCount":2162,"commentCount":0,"publisher":{"@id":"https:\/\/www.inovex.de\/de\/#organization"},"image":{"@id":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#primaryimage"},"thumbnailUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/Einsatz-von-Foundation-Models-zur-Erkennung-von-Brustkrebs.png","keywords":["Artificial Intelligence","Computer Vision","Deep Learning","e-health","Gesundheitswesen"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/","url":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/","name":"Einsatz von Foundation Models zur Erkennung von Brustkrebs - inovex GmbH","isPartOf":{"@id":"https:\/\/www.inovex.de\/de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#primaryimage"},"image":{"@id":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#primaryimage"},"thumbnailUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/Einsatz-von-Foundation-Models-zur-Erkennung-von-Brustkrebs.png","datePublished":"2025-04-25T07:50:03+00:00","dateModified":"2025-06-18T11:37:34+00:00","description":"In diesem Beitrag beleuchten wir, wie das ConvNeXt-Modell zur Klassifikation von Mammographien eingesetzt werden kann.","breadcrumb":{"@id":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#primaryimage","url":"https:\/\/www.inovex.de\/wp-content\/uploads\/Einsatz-von-Foundation-Models-zur-Erkennung-von-Brustkrebs.png","contentUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/Einsatz-von-Foundation-Models-zur-Erkennung-von-Brustkrebs.png","width":1500,"height":880,"caption":"llustration einer medizinischen Umgebung, in der eine Frau f\u00fcr eine Mammographie positioniert ist, w\u00e4hrend eine Fachkraft an einem Monitor arbeitet. Im Hintergrund sind digitale Daten in Form von Bin\u00e4rcode dargestellt."},{"@type":"BreadcrumbList","@id":"https:\/\/www.inovex.de\/de\/blog\/einsatz-von-foundation-models-zur-erkennung-von-brustkrebs\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.inovex.de\/de\/"},{"@type":"ListItem","position":2,"name":"Einsatz von Foundation Models zur Erkennung von Brustkrebs"}]},{"@type":"WebSite","@id":"https:\/\/www.inovex.de\/de\/#website","url":"https:\/\/www.inovex.de\/de\/","name":"inovex GmbH","description":"","publisher":{"@id":"https:\/\/www.inovex.de\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.inovex.de\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/www.inovex.de\/de\/#organization","name":"inovex GmbH","url":"https:\/\/www.inovex.de\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.inovex.de\/de\/#\/schema\/logo\/image\/","url":"https:\/\/www.inovex.de\/wp-content\/uploads\/2021\/03\/inovex-logo-16-9-1.png","contentUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/2021\/03\/inovex-logo-16-9-1.png","width":1921,"height":1081,"caption":"inovex GmbH"},"image":{"@id":"https:\/\/www.inovex.de\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/inovexde","https:\/\/x.com\/inovexgmbh","https:\/\/www.instagram.com\/inovexlife\/","https:\/\/www.linkedin.com\/company\/inovex","https:\/\/www.youtube.com\/channel\/UC7r66GT14hROB_RQsQBAQUQ"]},{"@type":"Person","@id":"https:\/\/www.inovex.de\/de\/#\/schema\/person\/aa8af60af275e3c355fa324f1c7c8e7c","name":"Hannah Hepke","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.inovex.de\/wp-content\/uploads\/cropped-619995eb-b33b-4643-a1ed-0d29c59b6aaa-96x96.jpegf3898936c8b33561420c124dcb3c1a18","url":"https:\/\/www.inovex.de\/wp-content\/uploads\/cropped-619995eb-b33b-4643-a1ed-0d29c59b6aaa-96x96.jpeg","contentUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/cropped-619995eb-b33b-4643-a1ed-0d29c59b6aaa-96x96.jpeg","caption":"Hannah Hepke"},"url":"https:\/\/www.inovex.de\/de\/blog\/author\/hhepke\/"}]}},"_links":{"self":[{"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/posts\/61538","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/users\/346"}],"replies":[{"embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/comments?post=61538"}],"version-history":[{"count":5,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/posts\/61538\/revisions"}],"predecessor-version":[{"id":62644,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/posts\/61538\/revisions\/62644"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/media\/61959"}],"wp:attachment":[{"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/media?parent=61538"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/tags?post=61538"},{"taxonomy":"service","embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/service?post=61538"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/coauthors?post=61538"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}