Wiederauffinden der Lokalisation in der Koloskopie - Einsatz von Deep Learning mit Hilfe von synthetischen Daten und Lernen ohne manuelle Annotation

Einleitung und Ziele Koloskopie ist die Standardmethode zur simultanen Diagnose und Therapie von Krebsvorstufen im Kolon. Das Wiederauffinden von Resektionsstellen im Kolon gestaltet sich jedoch häufig schwierig. Deep Learning mit Hilfe von neuronalen Netzen ist geeignet Endoskopikern bei dieser Aufgabe zu unterstützen. Hierzu sind jedoch viele manuell annotierte Daten notwendig. Dies erfordert einen hohen zeitlichen Aufwand, der durch erfahrene Endoskopiker im besten Falle erfolgen sollte.

Ziel der vorliegenden Arbeit ist es anhand von Methoden die keine manuell annotierten Daten benötigen ein neuronales Netz zu entwickeln, welches entscheiden kann ob zwei endoskopische Bilder die gleiche Stelle im Darm zeigen.

Methodik Für das Training wurden zum einen synthetische Bilder genutzt. Hierzu wurden 8 CT-Kolonographien als 3D-Darmmodelle genommen. In diesen Modellen wurde u.a. das Kolongefäßmuster computergeneriert projiziert. Es erfolgte dann die Erstellung von 99 900 Einzelbildern virtueller Koloskopien mit unterschiedlichen Kamerapositionen in Bezug auf die verschiedenen Oberflächeneigenschaften und Änderungen der Form des Darms. Es wurden ebenfalls 64 prospektiv gesammelte Koloskopievideos als Trainingsgrundlage genutzt. Zeitlich nahe aneinander liegende Bilder ohne Bewegungsartefakte wurden dabei automatisch als korrespondierende Darmabschnitte annotiert. Die Evaluation erfolgte anhand von 144 Bildpaaren aus Koloskopievideos, welche nicht zum Training eingesetzt wurden.

Ergebnis Die Erstellung von neuronalen Netzen mit computersimulierten Endoskopieaufnahmen und automatisch annotierten Koloskopievideos gelang und erbrachte mit den computersimulierten Bildern einen positiv prädiktiven Wert und Sensitivität von 64,3 % und 37,5 % . Mit den automatisch annotierten Koloskopievideos ergaben sich ein positiv prädiktiver Wert und Sensitivität von 63,3 % und 79,2 %. Zum Vergleich erreichte eine Methode die sich allein an den monotonen Kolonfarben im Bild orientiert Werte von 31,2 % und 50,0 %.

Schlussfolgerung Insgesamt zeigt diese Arbeit dass Training mit synthetischen Daten vielversprechende Ergebnisse liefert. Es gelang korrespondierende Darmabschnitte durch neuronale Netze relativ zuverlässig wieder zu erkennen.

Publication History

Article published online:
08 September 2020