Entwicklung eines aut. Bilderkennungsverfahrens durch Deep-Learning-Methoden zur Detektion von Kopf-Hals-Karzinomen anhand stand. Real-Time Nah-Infrarot ICG-Fluoreszenz-Endoskopie-Bilder (NIR-ICG-FE)

Einleitung:

Um den Goldstandard der Diagnostik von Kopf-Hals-Karzinomen mittels Weißlicht und invasiver Biopsie mit digitalen Bilderkennungsverfahren zu verbessern, bedarf es der Entwicklung neuer Technologien. Im Sinne einer „optischen Biopsie“ sollen diese in vivo und online dem HNO-Chirurgen zusätzliche objektive Informationen liefern. Künstliche neuronale Netzwerke und maschinelles Lernen können dabei hilfreich sein.

Material und Methoden:

NIR-ICG-FE wurde standardisiert bei Patienten mit Kopf-Hals-Karzinomen durchgeführt. Videodokumentiert erfolgten standardisiert Gewebebiopsien aus den Karzinomen und deren angrenzender Schleimhaut. Nur histologisch gesicherte Bilder wurden dann Pixel-genau für die automatische Analyse manuell annotiert. Das Anlernen und Testen des automatisierten Bilderkennungsalgorithmus durch Deep-Learning-Methoden erfolgte im Leave-One-Patient-Out-Verfahren. Als Architektur für das neuronale Netzwerk wurde die weitverbreitete „AlexNet-Konfiguration“ genutzt.

Ergebnisse:

Die „AlexNet-Konfiguration“ als bereits angelerntes neuronales Netz eignete sich zur Initialisierung unserer Deep-Learning-Methode. Das neu konstruierte neuronale Netzwerk wurde erfolgreich zur Karzinomerkennung schrittweise verfeinert. Bisherige Ergebnisse lassen Rückschlüsse zu, dass eine automatische Erkennung von Kopf-Hals-Karzinomen mit der verwendeten Methode möglich ist.

Schlussfolgerungen:

Bilddaten der NIR-ICG-FE können in einem künstlichen neuronalen Netzwerk durch Deep-Learning-Methoden für die Entwicklung eines automatisierten Bilderkennungsalgorithmus zur Erkennung von Kopf-Hals-Karzinomen verwendet werden.

Publication History

Publication Date:
18 April 2018 (online)