Neuronale Netzwerke zur Befundung von Röntgenaufnahmen
Deep-Learning-Netzwerke analysieren orthopädische Röntgenbilder mit hoher Genauigkeit und können RadiologInnen in der täglichen Routine unterstützen.
-
Datum:22.03.2018
-
Journal:Acta Orthop. 2017;88(6):581-6.
-
Titel:Artificial intelligence for analyzing orthopedic trauma radiographs.
-
Autor:Olczak J. et al.
Zur Originalstudie
Bei orthopädischen Fragestellungen sind Röntgenuntersuchungen das häufigste bildgebende Verfahren. Die Auswertung der Röntgenbilder erfordert jedoch ein hohes Maß an Übung und Erfahrung. Eine computergestützte Bildanalyse kann Fehlerraten bei der Bildauswertung verringern. Das Verfahren wird jedoch bisher nur bei CT- und MRT-Aufnahmen genutzt.
Jakub Olzcak, Karolinska Institut, Stockholm, und KollegInnen untersuchten in ihrer retrospektiven Studie, ob die computergestützte Bildauswertung mit Deep-Learning-Netzwerken auch zur Analyse von Röntgenbildern eingesetzt werden kann.
Methode
Olzcak et al. untersuchten in ihrer Studie fünf frei verfügbare Deep-Learning-Netzwerke:
- BVLC Reference CaffeNet network (8 Schichten),
- VGG CNN S network (8 Schichten),
- VGG CNN (16 und 19 Schichten) und
- Network-in-network (14 Schichten).
Olzcak et al. analysierten über 256.000 Handgelenks-, Hand- und Fußknöchelröntgenbilder mit Hilfe der Deep-Learning-Netzwerke. Zunächst wurden die Netzwerke mit 70% der Bilder trainiert. Anhand der Auswertung von 400 Bildern bestimmten Olzcak et al. anschließend für alle Netzwerke die Leistungsfähigkeit in Bezug auf vier Parameter:
- Auftreten von Brüchen,
- Seitigkeit der Aufnahme (links oder rechts),
- Blickwinkel der Aufnahme und
- abgebildetes Körperteil.
Das Netzwerk, das sich im Training für die Detektion von Brüchen als am leistungsstärksten herausstellte, verglichen Olzcak et al. mit einer manuellen Auswertung der Bilder. Die manuelle Analyse von 400 Bildern erfolgte durch zwei Radiologen mit Zugang zum Befundbericht des Radiologen und zu weiteren Aufnahmen bei identischer Bildauflösung wie bei der Auswertung durch das Netzwerk.
Ergebnisse
Alle Deep-Learning-Netzwerke erreichten eine Genauigkeit von über 90% bei der Bestimmung von Körperteil und Blickwinkel der Aufnahme. Die Seitigkeit der Aufnahme wurde je nach Netzwerk zu 80% bis 90% korrekt bestimmt.
Das auf 16 Schichten basierende VGG CNN Netzwerk erkannte gut 80% der Brüche und erzielte damit den höchsten Wert aller Netzwerke.
Im Vergleich zur manuellen Auswertung erzielte das VGG CNN mit 16 Schichten gleich gute Ergebnisse.
Fazit
Die computergestützte Auswertung orthopädischer Röntgenbilder durch neuronale Netzwerke erreicht ebenso hohe Genauigkeiten wie die manuelle Auswertung durch erfahrene Radiologen.
Olczak et al. weisen allerdings auf den großen Einfluss eines guten, fundierten Trainings der Netzwerke hin. Ist dies gewährleistet, sehen sie eine potenzielle Anwendung im schnellen Screenen von PatientInnen in der Notaufnahme.
anho/ktg
22.03.2018
