PDF icon Download PDF
Klinische Neurophysiologie 2025; 56(02): 63-71
DOI: 10.1055/a-2573-0858
Originalarbeit

Automatisierte Lokalisation von Armnerven im Ultraschall durch Künstliche Intelligenz mit tiefen neuronalen Netzwerken

Automated localization of arm nerves in ultrasound using artificial intelligence with deep neural networks
Korbinian Holzapfel
1   Neurologische Klinik und Klinische Neurophysiologie, Universität Augsburg Medizinische Fakultät, Augsburg, Germany
,
Thorsten Schöler
2   Fakultät für Informatik, Forschungsgruppe AI and Robotics (THA_air), Technische Hochschule Augsburg (THA), Augsburg, Germany
,
Raphael Dechent
2   Fakultät für Informatik, Forschungsgruppe AI and Robotics (THA_air), Technische Hochschule Augsburg (THA), Augsburg, Germany
,
Markus Naumann
1   Neurologische Klinik und Klinische Neurophysiologie, Universität Augsburg Medizinische Fakultät, Augsburg, Germany
,
Martin Allweyer
1   Neurologische Klinik und Klinische Neurophysiologie, Universität Augsburg Medizinische Fakultät, Augsburg, Germany
,
Tobias Eisenacher
2   Fakultät für Informatik, Forschungsgruppe AI and Robotics (THA_air), Technische Hochschule Augsburg (THA), Augsburg, Germany
› Author Affiliations
› Further Information
Also available ateRef
   Permissions and Reprints
Preview

Zusammenfassung

Die Nervensonografie ist eine etablierte diagnostische Methode bei der Detektion pathologischer Nervenveränderungen. Der Einsatz von künstlicher Intelligenz (KI) in der Ultraschalldiagnostik hat in den letzten Jahren erhebliche Fortschritte erzielt, insbesondere durch Verwendung tiefer neuronaler Netzwerke. Die Studie sollte aus etablierten tiefen neuronalen Netzwerken zur Objekterkennung das geeignetste Netzwerk identifizieren, um Armnerven in ihrem Verlauf im Ultraschallvideo zu detektieren. Eine eigens entwickelte Web-App sollte Nerven automatisiert erkennen sowie dem Auswerter die Annotation von durch die KI falsch oder nicht erkannten Nerven erleichtern. Aus Ultraschallvideos des Nervus medianus bzw. ulnaris 30 gesunder Probanden wurden Einzelbilder extrahiert, und die Nerven von einem Experten für Nervensonografie mithilfe einer dafür entwickelten Web-Applikation annotiert. Die Annotationen wurden in das You-Only-Look-Once-Label-Format (YOLO) umgewandelt, und zunächst ein Faster Region Convolutional Neural Network (Faster-R-CNN) trainiert. Die Leistung des Faster-R-CNN wurde durch Transfer Learning und die Anpassung der Hyperparameter für den Anwendungsfall optimiert. Basierend auf den Ergebnissen durch den Einsatz des Faster-R-CNN-Netzwerks wurden weitere künstliche neuronale Netze zur Objekterkennung trainiert: YOLO-, DINO-Resnet50- (DINO: self-distillation with no labels, Resnet: residual neural network), DINO-SwinL-Netzwerk (SwinL: Swin transformer mit Größe L). Entsprechende Performance Parameter wurden bei den einzelnen neuronalen Netzen bestimmt und zur Identifikation des geeignetsten neuronalen Netzes verglichen. Durch Anwendung der Faster-R-CNN-Modells konnte eine Erkennungsrate von 70% bei den 30 besten Bildern mit einem IoU (Intersection over Union)-Threshold von 0,5 und bei einem IoU-Threshold von 0,7 eine Erkennungsrate von 46,7% erreicht werden. Durch den Einsatz von YOLOv8-Modellen konnte die Erkennungspräzision erheblich gesteigert werden. Im Vergleich mit dem Faster-R-CNN-Modell (mAP50 0,223) zeigte das YOLOv8-Modell (mAP50 YOLOv8s und YOLOv8m 0,9283) eine deutlich bessere Erkennungsgenauigkeit. Die Nervenerkennung und die Annotationen des Bildmaterials konnten mithilfe einer Web-App komfortabel vorgenommen werden. Mithilfe von YOLOv8-Deep-Learning-Modellen können Armnerven automatisiert in aus Ultraschallvideos extrahierten Einzelbildern zuverlässig und schnell detektiert werden. Durch Entwicklung einer benutzerfreundlichen Web-Anwendung kann das weitere Anlernen des neuronalen Netzes verbessert und für den medizinischen Praktiker erleichtert werden. Bei weiterer Optimierung hat die Methode ein vielversprechendes Potenzial für den zukünftigen Einsatz von Deep Learning im Nervenultraschall zur automatisierten Diagnostik von Erkrankungen des peripheren Nervensystems.

Abstract

Nerve ultrasound is a well-established diagnostic method for detecting pathologic nerve changes. The use of artificial intelligence (AI) has advanced in recent years, especially utilizing deep neural networks. The aim of the current study was to identify the most suitable deep neural network for object detection to automatically detect arm nerves in ultrasound videos. A web app developed by us was to be tested if it automatically detects nerves and facilitate annotation of nerves that were incorrectly or not detected by the AI for the evaluator. Images were extracted from ultrasound videos of the median and ulnar nerves of 30 subjects. Nerves were annotated by a nerve sonography expert using a web application developed for this purpose. Annotations were converted into the You-Only-Look-Once (YOLO) label format, and a Faster Region Convolutional Neural Network (Faster-R-CNN) was initially trained. The performance of the Faster-R-CNN was optimized through transfer learning and the adaptation of hyperparameters. Based on the results of the Faster-R-CNN network, further artificial neural networks were trained: YOLO, DINO-Resnet50, and DINO-SwinL. Corresponding performance parameters were determined for the neural networks and compared to identify the most suitable neural network. The Faster-R-CNN model achieved a detection rate of 70% for the 30 best images with an Intersection over Union (IoU) threshold of 0.5 and a detection rate of 46.7% with an IoU threshold of 0.7. Compared to the Faster-R-CNN model (mAP50 0.223), the YOLOv8 model (mAP50 YOLOv8s and YOLOv8m 0.9283) showed significantly better detection accuracy. Nerve detection and annotations of the image material could be conveniently performed using a web app. Using YOLOv8 deep learning models, arm nerves can be detected reliably and fast in images extracted from ultrasound videos. By developing a user-friendly web application, further training of the neural network can be improved and facilitated for the physician. With further optimization, this method could significantly advance the use of deep learning in automated nerve ultrasound diagnosis.

Schlüsselwörter

Nervensonografie - Künstliche Intelligenz - Tiefes Neuronales Netzwerk

Keywords

Nerve Ultrasound - Artifical Intelligence - Deep Neural Network


Publication History

Article published online:
04 June 2025

© 2025. Thieme. All rights reserved.

Georg Thieme Verlag KG
Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany