> ## Documentation Index > Fetch the complete documentation index at: https://avala.ai/docs/llms.txt > Use this file to discover all available pages before exploring further. # Medizinische Bildgebung > Präzise Annotationswerkzeuge und Qualitätskontroll-Workflows für klinisch hochwertige Trainingsdaten Teams in der medizinischen Bildgebung benötigen Annotationsgenauigkeit, die sich direkt auf Patientenergebnisse auswirkt. Avala bietet Präzisionsannotationswerkzeuge, mehrstufige Qualitätskontroll-Workflows und Teamberechtigungskontrollen, die die strengen Standards klinisch hochwertiger Trainingsdaten unterstützen. ## Warum Avala für medizinische Bildgebung Medizinische Annotation unterscheidet sich von allgemeiner Computer Vision in ihrer Fehlertoleranz — es gibt im Wesentlichen keine. Eine übersehene Läsionsgrenze oder ein falsch klassifizierter Zelltyp kann sich durch das Modell ausbreiten und diagnostische Entscheidungen beeinflussen. Avala begegnet dem mit: Polygon- und Segmentierungswerkzeuge mit Subpixel-Präzision für genaue Grenzabgrenzung. Keypoint-Werkzeuge für anatomische Landmarkenplatzierung. Konfigurierbare Review-Pipelines mit Stichprobenprüfung, gezieltem Review und vollständiger Prüfung. Unterstützung für Domänenexperten-Reviewer mit rollenbasiertem Zugriff. Feingranulare Zugriffskontrollen, die einschränken, wer sensible medizinische Daten anzeigen, annotieren und prüfen kann. Rollenbasierte Berechtigungen auf Organisations-, Team- und Projektebene. Aufgaben-Lebenszyklus-Tracking von der Zuweisung über Review bis zur Genehmigung. Jede Annotationsaktion wird für Audit-Trail-Anforderungen aufgezeichnet. ## Datentypen | Modalität | Avala-Datentyp | Typische Annotation | | ------------------- | -------------- | ---------------------------------------- | | Röntgen | Bild | Bounding Boxes, Polygone, Klassifikation | | CT / MRT-Schnitte | Bild | Polygone, Segmentierungsmasken | | Pathologie-Schnitte | Bild | Polygonregionen, Klassifikation | | Endoskopie-Video | Video | Frame-Level-Segmentierung, Tracking | | Ultraschall | Bild, Video | Bounding Boxes, Polygone | | Netzhautbildgebung | Bild | Segmentierung, Klassifikation | ## Häufige Aufgaben ### Läsionserkennung Zeichnen Sie Bounding Boxes oder Polygone um Tumore, Knötchen, Zysten und andere Regionen von Interesse. Für Aufgaben, die präzise Grenzabgrenzung erfordern (z. B. Tumorsegmentierung für chirurgische Planung), verwenden Sie das Polygon-Werkzeug, um exakte Ränder nachzuzeichnen. Das Polygon-Werkzeug unterstützt: * Freie Vertex-Platzierung für unregelmäßige Formen * Kantenfang für saubere Grenzen * Vertex-Bearbeitung zur Verfeinerung nach der ersten Nachzeichnung * Subpixel-Genauigkeit für hochauflösende medizinische Bilder ### Organsegmentierung Erstellen Sie pixelgenaue Segmentierungsmasken für Organe und anatomische Strukturen in CT- oder MRT-Schnitten. Verwenden Sie den Segmentierungspinsel für große Regionen und wechseln Sie zum Polygon-Modus für feine Grenzarbeit. Für Organsegmentierungsaufgaben definieren Sie Ihre Label-Taxonomie mit klarer Hierarchie: Organsystem > Organ > Substruktur. Beispiel: `cardiovascular > heart > left_ventricle`. Dies beschleunigt den Annotationsprozess und macht die resultierenden Daten nützlicher für das Modelltraining. ### Zellklassifikation Klassifizieren Sie Zelltypen in Pathologie-Schnitten mit Klassifikationslabels und strukturierten Attributen. Definieren Sie eine Taxonomie, die Folgendes umfasst: * Primärer Zelltyp (z. B. Lymphozyt, Neutrophiler, Epithelzelle) * Morphologische Attribute (z. B. Größe, Formregelmäßigkeit, Färbungsintensität) * Diagnostische Relevanz (z. B. normal, atypisch, maligne) Klassifikation kann auf Objektebene (einzelne Zellen) oder Szenenebene (Geweberegionen) angewendet werden. ### Chirurgische Videoanalyse Verfolgen Sie chirurgische Instrumente und anatomische Landmarken über Endoskopie- oder chirurgische Videobilder. Objekt-Tracking hält konsistente IDs über Frames aufrecht und ermöglicht es, Modelle für Instrumentenerkennung, Phasenerkennung und Aktivitätsanalyse zu trainieren. ## Qualitätskontrolle für medizinische Daten Medizinische Annotationsqualitätskontrolle geht über allgemeine Reviews hinaus. Die Qualitätskontrollfunktionen von Avala unterstützen die Workflows, die medizinische Teams benötigen. ### Mehrstufige Review-Pipelines Konfigurieren Sie Review-Pipelines, die Ihrem klinischen Validierungsprozess entsprechen: ``` Annotation (Techniker) -> Erstes Review (geschulter Annotator) -> Experten-Review (Radiologe / Pathologe) -> Genehmigt ``` In jeder Stufe können Reviewer genehmigen, mit Kommentaren ablehnen oder bestimmte Annotationen mit Issues markieren. Abgelehnte Aufgaben werden mit klarem Feedback an den Annotator zurückgegeben. ### Annotations-Issues Heften Sie Issues an bestimmte Annotationen im Bild. Ein Reviewer kann eine Polygongrenze als "zu locker am oberen Rand" markieren, und der Annotator sieht das Issue an der exakten Stelle, die korrigiert werden muss. ### Konsens-Workflows Für Validierungsdatensätze und Ground-Truth-Erstellung: Weisen Sie dieselben Bilder mehreren Domänenexperten unabhängig zu. Konsensbewertung zeigt: * Regionen, in denen Experten sich uneinig sind (diese benötigen zusätzliches Review oder klarere Richtlinien) * Annotatoren, die konsistent von der Gruppe abweichen * Sonderfälle, in denen die Annotationsrichtlinie mehrdeutig ist ### Qualitätsmetriken Überwachen Sie die Annotationsqualität in Ihrem Team: | Metrik | Was gemessen wird | | ----------------------------- | -------------------------------------------------------------------------------------------------- | | **Akzeptanzrate** | Prozentsatz der beim ersten Einreichen genehmigten Aufgaben | | **Annotationszeit** | Durchschnittliche Zeit pro Aufgabe — ungewöhnlich schnell oder langsam kann auf Probleme hinweisen | | **Issue-Häufigkeit** | Rate markierter Probleme pro Aufgabe | | **Inter-Annotator-Agreement** | Konsistenz zwischen Annotatoren bei denselben Daten | ## Compliance-Überlegungen Medizinische Bilddaten unterliegen oft regulatorischen Anforderungen (HIPAA, DSGVO, MDR). Während Avala die Werkzeuge für Annotations-Workflows bereitstellt, ist Ihr Team dafür verantwortlich, sicherzustellen, dass die Datenverarbeitung den geltenden Vorschriften entspricht. Avala-Funktionen, die Compliance-Workflows unterstützen: | Anforderung | Avala-Funktion | | ----------------- | ------------------------------------------------------------------------------------------------- | | Zugriffskontrolle | Rollenbasierte Teamberechtigungen beschränken den Datenzugriff auf autorisierte Benutzer | | Audit-Trail | Aufgaben-Lebenszyklus-Tracking zeichnet jede Annotation, jedes Review und jede Statusänderung auf | | Datenisolation | Datensätze und Projekte sind auf Organisationen mit Mitgliedschaftskontrollen beschränkt | | Exportkontrolle | Exporte werden bei Bedarf generiert und können durch Berechtigungen eingeschränkt werden | Avala bietet standardmäßig keine HIPAA BAA oder DICOM-Integration. Wenn Ihr Workflow diese erfordert, kontaktieren Sie [support@avala.ai](mailto:support@avala.ai), um Ihre Compliance-Anforderungen zu besprechen, bevor Sie geschützte Gesundheitsinformationen hochladen. ## Verwendete Avala-Funktionen | Funktion | Zweck | Mehr erfahren | | ------------------------ | ------------------------------------------------------- | ------------------------------------------------------------------ | | Polygon-Annotation | Präzise Grenzabgrenzung für Läsionen und Organe | [Polygon-Werkzeug](/docs/annotation/guides/tools/polygon) | | Segmentierungsannotation | Pixelgenaue Masken für anatomische Strukturen | [Segmentierungswerkzeug](/docs/annotation/guides/tools/segmentation) | | Keypoint-Annotation | Anatomische Landmarken für Pose und Struktur | [Keypoint-Werkzeug](/docs/annotation/guides/tools/keypoint) | | Klassifikation | Zelltyp- und Gewebeklassifikation | [Klassifikationswerkzeug](/docs/annotation/guides/tools/classification) | | Mehrstufiges Review | Konfigurierbare Review-Pipelines mit Experten-Reviewern | [Qualitätskontrolle](/docs/annotation/guides/quality-control) | | Teamberechtigungen | Zugriff auf sensible Daten einschränken | [Teamberechtigungen](/docs/annotation/guides/team-permissions) | | API-Exporte | Integration mit Trainingspipelines | [Exports API](/docs/api-reference/exports) | | Work Batches | Annotationsarbeit auf Teams verteilen | [Work Batches](/docs/annotation/guides/work-batches) | ## Erste Schritte Erstellen Sie eine Organisation und laden Sie Ihre Annotations- und Review-Teams ein. Konfigurieren Sie Teamrollen, sodass nur autorisierte Benutzer auf medizinische Daten zugreifen können. Erstellen Sie einen Datensatz mit dem passenden Datentyp (Bild für Radiologie/Pathologie, Video für Endoskopie) und laden Sie Ihre Dateien hoch. Richten Sie Objektklassen, Attribute und Klassifikationskategorien ein, die Ihrer klinischen Annotationsrichtlinie entsprechen. Fügen Sie klare Definitionen und Referenzbeispiele hinzu. Richten Sie eine mehrstufige Review-Pipeline ein. Weisen Sie Domänenexperten-Reviewer zu und konfigurieren Sie Akzeptanzkriterien. Annotatoren labeln die Daten, Reviewer validieren in jeder Stufe, und Sie exportieren die genehmigten Annotationen für das Modelltraining. ## Nächste Schritte Mehrstufige Review-Workflows mit Stichprobenprüfung und Experten-Review einrichten. Präzise Grenznachzeichnung für Läsionen, Organe und anatomische Strukturen. Rollenbasierte Zugriffskontrollen für Ihre Organisation konfigurieren. Ein effektives Label-Schema für medizinische Annotationsprojekte entwerfen.