Laryngorhinootologie 2023; 102(S 02): S31-S32
DOI: 10.1055/s-0043-1766512
Abstracts | DGHNOKHC
Endoskopie/Mikroskopie/Optik/Photonik

Deep-Learning-basierte Aufnahmeunterstützung für endoskopisches Narrow Band Imaging des Larynx

Dennis Eggert
1   Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Hals-, Nasen- und Ohrenheilkunde, Kopf- und Halschirurgie
,
Debayan Bhattacharya
1   Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Hals-, Nasen- und Ohrenheilkunde, Kopf- und Halschirurgie
2   Technische Universität Hamburg, Institut für medizintechnische Systeme
,
Axelle Felicio-Briegel
3   Klinikum der Universität München, Klinik und Poliklinik für Hals-Nasen-Ohrenheilkunde
,
Veronika Volgger
3   Klinikum der Universität München, Klinik und Poliklinik für Hals-Nasen-Ohrenheilkunde
,
Alexander Schlaefer
2   Technische Universität Hamburg, Institut für medizintechnische Systeme
,
Christian Betz
1   Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Hals-, Nasen- und Ohrenheilkunde, Kopf- und Halschirurgie
› Author Affiliations
 

Einleitung Narrow Band Imaging (NBI) ermöglicht die kontrastverstärkte Darstellung von Blutgefäßen in Schleimhäuten. NBI gehört in vielen Endoskopen bereits zur Standardausstattung und findet im Kopf-Hals-Bereich immer stärkere Anwendung. Mit Hilfe von flexiblen Laryngoskopen können verschiedene Schleimhautläsionen des oberen Luft-Speiseweges im Wachzustand untersucht werden. Pathologien können dabei meist besser als bei konventioneller Weißlichtendoskopie erkannt werden. Für eine gute Beurteilbarkeit der NBI-Bilddaten ist eine gute Bildqualität essentiell. Nur wenn die oberflächlichen Blutgefäße klar erkennbar sind, können NBI-Aufnahmen sinnvoll ausgewertet werden.

Material und Methoden Als Datensatz dienten 74.915 NBI Bilder, welche von 41 Patienten mittels flexibler Laryngoskope (ENF-VH, Olympus) aufgenommen wurden. Die NBI-Aufnahmen wurden von Experten manuell gelabelt und dienten als Ground-Truth für das Training und die Validierung des Deep-Learning-Verfahrens.

Ergebnisse Es wurde ein Deep-Learning-Verfahren entwickelt, welches dem untersuchenden Arzt direkt in Echtzeit auf dem Monitor anzeigt, ob die aktuelle NBI-Aufnahme zur Gewebebeurteilung geeignet ist oder nicht. Der untersuchende Arzt kann dann z.B. die Position des Endoskops entsprechend ändern, um die Bildqualität zu verbessern.

Diskussion Diese Studie ist ein erster Schritt, um NBI für eine größere Zahl an Anwendern in der HNO zugänglich zu machen, auch für Anwender, die noch nicht über Expertise auf diesem Gebiet verfügen. Zukünftig soll das Verfahren so erweitert werden, dass automatisch suspekte Gewebe-Bereiche erkannt und optisch hervorgehoben werden.



Publication History

Article published online:
12 May 2023

Georg Thieme Verlag
Rüdigerstraße 14, 70469 Stuttgart, Germany