Rofo 2020; 192(S 01): S3
DOI: 10.1055/s-0040-1703109
Vortrag (Wissenschaft)
Bildverarbeitung/IT/Software/Gerätetechnik/Qualitätsmanagement
© Georg Thieme Verlag KG Stuttgart · New York

Automatisierte Ventrikoloperitoneal Shuntventil Detektion und Identifikation unter Verwendung eines Faster RCNN

J Haubold
1   Universitätsklinikum Essen, Institut für Diagnostische und Interventionelle Radiologie und Neuroradiologie, Essen
,
L Umutlu
1   Universitätsklinikum Essen, Institut für Diagnostische und Interventionelle Radiologie und Neuroradiologie, Essen
,
A Radbruch
1   Universitätsklinikum Essen, Institut für Diagnostische und Interventionelle Radiologie und Neuroradiologie, Essen
,
M Forsting
1   Universitätsklinikum Essen, Institut für Diagnostische und Interventionelle Radiologie und Neuroradiologie, Essen
,
F Nensa
1   Universitätsklinikum Essen, Institut für Diagnostische und Interventionelle Radiologie und Neuroradiologie, Essen
› Author Affiliations
Further Information

Publication History

Publication Date:
21 April 2020 (online)

 

Zielsetzung Die Bestimmung der Druckstufe eines Ventrikoloperitonealen Shuntventils erfordert sowohl die korrekte Identifizierung als auch das Finden des Herstellerbildes zum Ablesen der Druckstufe. Um diesen Aufwand zu reduzieren, wurde ein künstliches neuronales Netzwerk zur automatisierten Identifikation des Ventils und zur Zuordnung des Herstellerbildes zum Ablesen der Druckstufe trainiert.

Material und Methoden 560 konventionelle Röntgenbilder mit abgebildeten Ventilen wurden manuell annotiert und in 112 Testbilder und 448 Trainingsbilder aufgeteilt. Zur Objekterkennung wurde ein Faster RCNN auf 8 Klassen verschiedener Ventile trainiert und das detektierte Label für eine inhaltsbasierte Bildabfrage verwendet (CBIR), um das passende Herstellerbild zum Ablesen der Druckstufe im Workflow zuzuordnen. Zur Messung der Genauigkeit des Netzwerks mussten sowohl die Lokalisierung als auch die Klassifizierung bewertet werden. Die durchschnittliche Genauigkeit (mAP) bei 0,5 intersection over union (IOU) wurde dazu berechnet. In einem nächsten Schritt wurden die erkannten Ventile aus dem Testset, dem die Bilder der Hersteller zugeordnet wurden, einem Radiologen demonstriert. Für jedes Bild wurde er gefragt, ob das Ventil korrekt identifiziert wurde.

Ergebnisse Im Testset wurde eine mAP von 0,77 bei 0,5 IOU für die (8x)Multiclass-Detektion erreicht. Das automatisch zugeordnete Bild des Herstellers zum Lesen der Druckstufe ermöglichte es dem Radiologen bei korrekter Identifikation die Druckstufe ohne weitere Recherche mit dem Herstellerbild abzulesen und bei falscher Identifikation diese Fehlidentifikation durch das zugeordnete Herstellerbild zu erkennen.

Schlußfolgerungen Mit einem Faster RCNN zur automatisierten Objekterkennung war es möglich, einen Prototypen eines Netzwerks mit hoher Genauigkeit zur Identifizierung von Ventilen zu implementieren, dass durch das zusätzliche CBIR System das Ablesen der Druckstufe deutlich beschleunigen kann und über einen effektiven Mechanismus zur Erkennung von Fehlklassifikationen verfügt.