Ultraschall Med 2019; 40(S 01): S48
DOI: 10.1055/s-0039-1695939
Vorträge
Wissenschaftliche Sitzung: Fetaler Ultraschall
Georg Thieme Verlag KG Stuttgart · New York

Deep learning Algorithmen in der retrospektiven Bildanalyse großer Bilddatenbanken

J Ritgen
1   Praenatalplus Köln, Köln, Germany
,
D Merhof
2   RWTH Aachen, Lehrstuhl für Bildverarbeitung, Aachen, Germany
,
M Kopaczka
2   RWTH Aachen, Lehrstuhl für Bildverarbeitung, Aachen, Germany
,
T Rühl
1   Praenatalplus Köln, Köln, Germany
,
J Degenhardt
1   Praenatalplus Köln, Köln, Germany
,
R Stressig
1   Praenatalplus Köln, Köln, Germany
› Author Affiliations
Further Information

Publication History

Publication Date:
28 August 2019 (online)

Also available at
 
 

    Fragestellung:

    Die Bilddatenbanken großer Ultraschallzentren umfassen nicht selten mehrere Millionen Ultraschallbilder. Ein Durchsuchen nach bestimmten Bildinhalten (z.B. für wissenschaftliche Fragestellungen) ist für Menschen nicht mehr möglich. Hier wurde untersucht, ob moderne Bilderkennungstechniken definierte Bildinhalte aus großen pränatalen Bilddatenbanken filtern können.

    Material und Methode:

    Die open-source Platform PyTorch wurde für die Erkennung von Ersttrimester Profilbildern (NT-Bilder) trainiert. In der Trainingsphase wurden 116 Idealpositive, 133 schwachpositive und 956 negative Bildbeispiele ausgewählt.

    In einer Stichprobenevaluierung wurde der entwickelte Algorithmus an 4908 zufällig ausgewählten Bildern aus der gesamten Datenbank getestet und mit der Auswertung durch Ultraschallexperten verglichen.

    Ergebnisse:

    37 der 46 (80,4%) enthaltenen NT-Bilder wurden korrekt, 9/46 (19,6%) nicht erkannt; 96/4728 (2,03%) falsch positiv erkannt.

    Unter den 96 falsch positiv erkannten Bildern waren 25 eindeutig falschpositive Bilder (Abdomenumfang, Extremitäten, Vierkammerblick), das entspricht 25/4732 (0,53%) aller Negativbilder. 15/4732 (0,32%) Falschpositive Bilder zeigen Profile im zweiten Trimenon und 36 Bilder entsprechen der Gruppe der schwachpositiven NT-Bilder.

    Schlussfolgerung:

    In dieser ersten Evaluierung konnte mit relativ geringem Trainingsaufwand das Potential moderner Bilderkennungsalgorithmen in der retrospektiven Bildanalyse an fast beliebig großen Bilddatensätzen eindrucksvoll dargestellt werden.


    #