Rofo 2019; 191(S 01): S2
DOI: 10.1055/s-0037-1682003
Vortrag (Wissenschaft)
Bildverarbeitung/IT/Software/Gerätetechnik/Qualitätsmanagement
Georg Thieme Verlag KG Stuttgart · New York

Neuronale Netze zur Pathologiedetektion bei Röntgenthoraxuntersuchungen: Verbesserung durch intelligente Vorverarbeitung

I Baltruschat
1   Universitätsklinikum Hamburg-Eppendorf, Sektion für Biomedizinische Bildgebung, Hamburg
,
M Grass
2   Philips Forschung, Hamburg
,
A Saalbach
2   Philips Forschung, Hamburg
,
H Nickisch
2   Philips Forschung, Hamburg
,
J von Berg
2   Philips Forschung, Hamburg
,
L Steinmeister
3   Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Diagnostische und Interventionelle Radiologie, Hamburg
,
H Ittrich
3   Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Diagnostische und Interventionelle Radiologie, Hamburg
,
T Knopp
1   Universitätsklinikum Hamburg-Eppendorf, Sektion für Biomedizinische Bildgebung, Hamburg
,
G Adam
3   Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Diagnostische und Interventionelle Radiologie, Hamburg
› Author Affiliations
Further Information

Publication History

Publication Date:
27 March 2019 (online)

 
 

    Zielsetzung:

    Untersuchung des Einflusses von intelligenten Vorverarbeitungsalgorithmen zur „Bone Suppression“ und „Lungenfelddetektion“ auf die Pathologie-Erkennungsrate von Deep Learning Techniken.

    Material und Methoden:

    In dieser Studie wurden die Technik „Bone Suppression“, ein Algorithmus zur künstlichen Entfernung des Brustkorbs in Röntgenaufnahmen sowie eine automatische „Lungenfelddetektion“, welche zum Zuschneiden der Röntgenthoraxaufnahmen auf den Lungenbereich genutzt wurde, separat und in Kombination als Vorverarbeitungsschritte für neuronale Netze zur Pathologiedetektion verwendet. Für das Training und die Auswertung des Convolutional Neural Network (CNN) wurden DICOM-Bilder aus dem Indiana University Datensatz (3125 Röntgenthoraxuntersuchungen (PA, lateral)) von zwei erfahrenen Radiologen untersucht und in Bezug auf acht verschiedene Pathologien (Pleuraerguss, Infiltrat, Stauung, Atelektase, Pneumothorax, Kardiomegalie, Raumforderung, Fremdkörper) annotiert. Es erfolgte ein Vortraining unserer CNNs auf dem größten öffentlich zugänglichen Röntgendatensatz (ChestX-ray14). In einer fünffachen Re-sampling-Validierung wurden ROC-Statistiken verwendet, um die Wirkung der Vorverarbeitungsansätze zu bewerten.

    Ergebnisse:

    Während die trainierten Modelle im Allgemeinen eine gute Erkennungsrate in Bezug auf alle Kategorien zeigen, verbessert die Kombination aus „Bone Suppression“ und „Lungenfelddetektion“ den durchschnittlichen AUC leicht von 0,891 ± 0,013 auf 0,906 ± 0,012. Im Gegensatz dazu kann bei ausgewählten Pathologien eine wesentliche Verbesserung festgestellt werden (d.h. "Raumforderung": 0,764 ± 0,016 vs. 0,840 ± 0,011).

    Schlussfolgerungen:

    Die erweiterte Bildvorverarbeitung verbessert die gesamte CNN-Leistung, insbesondere bei kleinen Pathologien („Raumforderungen“) kann die AUC aber signifikant gesteigert werden. Die erhöhte effektive räumliche Auflösung durch „Lungenfelddetektion“ hat einen positiven Effekt auf die Erkennung kleinerer Pathologien.


    #