Künstliches neuronales Netz zur automatischen Markierung von Lungenflügeln in CT-Datensätzen

Zielsetzung:

In bisherigen Computer aided diagnosis Projekten der Lunge werden regelbasierte Algorithmen zur Segmentierung eingesetzt, wobei die Segmentierung Voraussetzung zur Bestimmung quantitativer Bildmarker ist. In diesem Projekt wird dagegen ein Lungenmarkierungsansatz evaluiert, der Methoden der „künstlichen Intelligenz“ verwendet.

Material und Methodik:

Mit der Software OpenCV wurde durch „überwachtes Lernen“ ein künstliches neuronales Netz (KNN) zur automatischen Markierung von Lungenflügeln trainiert. Zum „Anlernen“ wurden hierzu aus 50 Datensätzen Bilder von isolierten Lungenflügeln als Positivgruppe erzeugt und Bilder von CT-Schnittbildebenen, die keinerlei Lungenstruktur enthielten, als Negativgruppe selektiert. Nach abgeschlossener „Lernphase“ wurden Test-Bild-Daten von 13 Personen (7 Normal, 3 Fibrose, 3 Emphysem) mit insgesamt 4378 CT-Schnittbildern mit dem KNN ausgewertet. Testdaten überschnitten sich nicht mit Anlerndaten. Die Anzahl richtig bzw. falsch markierter Lungenflügel wurde bestimmt.

Ergebnisse:

Die KNN-Methodik konnte erfolgreich eingesetzt werden: 4322 von 4378 untersuchten CT-Datensätze konnten erfolgreich markiert werden. Bei 56 Schnittbildern gelang dies nicht. Falsch positiv wurden 15 und falsch negativ 41 Bilder klassifiziert. Spezifität und Sensitivität sind > 99,99%.

Schlussfolgerungen:

Das KNN ermöglicht die Erkennung und Markierung von Lungenflügeln, die nicht im Training inbegriffen waren. Damit ist ein Anfangsschritt in der Lungendiagnostik mit künstlicher Intelligenz erfolgreich absolviert. Dies ist wichtig, da die KNN-Methode prinzipiell auch direkt zur automatischen Krankheitserkennung angelernt werden kann, wenn man Bildausschnitte mit Pathologien zum Training einsetzt. Weiterhin ist die automatische Lungenflügelmarkierung unter Minimierung der Schnittstelle zwischen Mensch und Maschine für viele Schritte der Weiterverarbeitung einschließlich Radiomics bedeutsam.