Deep-Learning-basierte Segmentierung von Zellschichten in optischen Kohärenztomographie-Aufnahmen (OCT) der oberen Luft-Speisewege

Einleitung Die optische Kohärenztomographie (OCT) ist ein bildgebendes diagnostisches Werkzeug, mit dem nichtinvasiv Schnittbilder von Gewebe erstellt werden können, die eine 10-100fach bessere axiale Auflösung erzielen als die der gewöhnlichen Sonographie. Die OCT ist in der Ophthalmologie bereits seit Jahren ein etabliertes Verfahren, in der HNO wird ihre Anwendung im Rahmen von klinischen Studien erprobt. Dabei ist speziell die Beurteilung von Schleimhautläsionen von Interesse. Sie erfolgt v.a. durch die Messung der Epitheldicke und die Bestimmung der Unversehrtheit der Basalmembran. Einer breiten klinischen Anwendung der OCT steht momentan entgegen, dass die OCT-Aufnahmen nur von Experten beurteilt werden können.

Material und Methoden Als Datensatz dienten 256 OCT B-Scans, welche von 30 Patienten intraoperativ mittels eines mikroskopischen OCT-Systems in vivo aufgenommen wurden. Die OCT Aufnahmen wurden von Experten manuell gelabelt und dienten als Ground-Truth für das Training und die Validierung des Deep-Learning-Verfahrens.

Ergebnisse Es wurde ein zweistufiges Deep-Learning-Verfahren entwickelt, welches zunächst die Aufnahmen in nutzbar und nicht-nutzbar sortiert und dann die Segmentierung der Zellschichten in den nutzbaren Aufnahmen vornimmt. Mit diesem Verfahren konnten automatisch die Epithelschicht und die Basalmembran in den OCT-Aufnahmen segmentiert und grafisch dargestellt werden. Das Verfahren kann in Echtzeit angewendet werden.

Diskussion Diese Studie ist ein erster Schritt, um die OCT für eine größere Zahl an Anwendern in der HNO zugänglich zu machen, die noch nicht über Expertise auf diesem Gebiet verfügen. Zukünftig soll das Verfahren so erweitert werden, dass automatisch suspekte Gewebe-Bereiche erkannt und optisch hervorgehoben werden.

Publikationsverlauf

Artikel online veröffentlicht:
24. Mai 2022