gms | German Medical Science

Einleitung: Die Verwendung neuronaler Netze bei der medizinischen Bilderkennung nimmt stetig zu und könnte einen wichtigen Schritt bei der Automatisierung diagnostischer Algorithmen unserer Patienten darstellen. Hier bauten wir ein neuronales Faltungsnetzwerk für Nierenechographien auf und bewerteten dessen diagnostische Genauigkeit für den Nachweis einer Hydronephrose.

Methode: Normale und hydronephrotische Ultraschallbilder der menschlichen Niere wurden anonym aus unserer sonographischen Ambulanzdatenbank gesammelt.

Zentrierte, sagittale echographische Bilder wurden auf 96 × 96 Pixel reduziert.

Anschließend wurden diese Bilder mit unterschiedlicher Schärfe und aus verschiedenen Winkeln unter Verwendung von 2 Unschärfeeffekten und Drehung um 10, 15, 20 und 23 Grad multipliziert. Danach wurde ein sequentielles Modell mit 3 Hauptfaltungsschichten trainiert, getestet und zur Auswertung neuer echographischer Bilder verwendet. Unser Modell basierte auf Python 3.8.3 (Python Software Foundation, Wilmington, DE), verwendete das Keras-Framework und Tensorflow 2.2 (Google Brain Team, Mountain View, Kalifornien) und wurde auf Jupyter Notebooks (Fernando Perez, Open-Source-Software) entwickelt.

Ergebnisse: Es wurden 68 verschiedene sonographische Nierenbilder von 34 normalen und 34 hydronephrotischen Nieren gesammelt. Nach Datenerweiterung (Bildrotation und Unschärfeeffekte) wurden 4.352 Bilder erzeugt. Daraus wurde das Faltungsnetzwerk mit 3.047 Bildern trainiert. Die verbleibenden 1.305 Bilder wurden zur Validierung bereitgestellt. Für eine optimale Entwicklung des Modells wurde die Anzahl der Trainingszyklen auf 15 eingestellt. Mit einer Endgenauigkeit von 98,8% wurde unser Modell zur Auswertung von 60 neuen sonographischen Nierenbildern (30 normale Nieren und 30 hydronephrotische Nieren) verwendet. Es wurden 86% der hydronephrotischen und 90% der normalen Nieren korrekt klassifiziert. Die Genauigkeit unseres Faltungsnetzwerks betrug 88%.

Schlussfolgerung: Wir präsentieren hier ein automatisiertes echographisches Modell, welches bei der Entscheidungsfindung und dem therapeutischen Prozess einer akuten Nierenektasie helfen wird. Wir haben gezeigt, dass Deep-Learning-Computer-Vision-Methoden trainiert und verwendet werden können, um echografische Bilder mit hoher Genauigkeit zu interpretieren. Mehrere Ultraschallschichten sowie die Verwendung einer Segmentierungstechnik können die Genauigkeit des Modells weiter verbessern. Diese Methode wird in Zukunft als automatisiertes Werkzeug im Diagnosealgorithmus des akuten Nierenversagens dienen.