gms | German Medical Science

Die computergestützte Analyse der Stimmlippen-(SL-)dynamik aus endoskopischen Hochgeschwindigkeits-(HG)-videos erfordert initial eine Extraktion der zeitveränderlichen glottalen Fläche. Bei der Entwicklung vollautomatischer Segmentierungsverfahren stellt die große Variabilität der Bilddatenqualität eine der wesentlichen Herausforderungen dar, weswegen eine zuverlässige Segmentierung häufig eine manuelle Benutzerinteraktion erfordert. In dieser Arbeit wird ein auf künstlichen Neuronalen Netzen basierendes Verfahren vorgestellt, das eine vollautomatische und präzise Segmentierung der glottalen Fläche ohne Benutzerinteraktion ermöglicht.

Die hier verwendete U-Net-Architektur wird den Convolutional Neural Networks (CNN) zugordnet, die zur semantischen Segmentierung von Bilddaten entwickelt wurden [1]. Die Adaption der Netzarchitektur (Grauwertbilder, Auflösung 256x256 Pixel) wurde unter Verwendung des Frameworks TensorFlow realisiert [2], [3]. Das Training erfolgte anhand von 10.000 Einzelbildern mit den dazugehörigen Referenzsegmentierungen, die zuvor durch ein semiautomatisches Verfahren gewonnen wurden [4]. Als Maß zur Fehlerminimierung wurde die Kreuzentropie sowie das Batch-Backpropagation-Verfahren (Batchgröße 10, 20 Epochen, 1000 Iterationen) verwendet. Die erreichte Segmentierungsqualität des trainierten Netzes wurde abschließend an einem separaten Datensatz bestehend aus 1.500 Bildern (15 HG-Videos; 3 Gesunde, 12 Pathologien; Sequenzlänge: 100 Bilder je Video) evaluiert. Die Quantifizierung der Segmentierungsgenauigkeit erfolgte in Anlehnung an Lohscheller et al. [4] über die Bestimmung von Abweichungen D_Pi zwischen Referenz- und Netzsegmentierung an vier charakteristischen Punkten der Stimmlippen (P₁&P₂: dorsales bzw. ventrales SL-Ende, P₃&P₄: mediale Position der rechten bzw. linken SL, Abbildung 1a [Abb. 1]). Die Lage der Punkte wurde über die Schnittpunkte der Glottiskontur mit den in Abbildung 1a [Abb. 1] gezeigten Geraden ermittelt.

Exemplarisch sind in Abbildung 2 [Abb. 2] für jeweils ein HG-Einzelbild zweier Probanden die Referenz- sowie die korrespondierende Segmentierung mittels Neuronalem Netz gezeigt. In allen HG-Videos konnte der zeitliche Verlauf der glottalen Fläche als auch die Stimmlippenkanten zuverlässig segmentiert werden. Lediglich in einzelnen Aufnahmen zeigten sich zusätzlich kleine, fälschlich segmentierte Bildbereiche (Abbildung 2b [Abb. 2], Pfeil), die sich jedoch mit Methoden der Bildnachverarbeitung problemlos eliminieren lassen.

Verglichen mit den medialen Positionen P₃ und P₄ ist die Abweichung der Segmentierungen an den Punkten P₁ und P₂ stärker ausgeprägt (vgl. Abbildung 1b [Abb. 1]). Die mittleren Abweichungen in Pixel (px) des gesamten Evaluierungsdatensatzes an den Punkten P₁– P₄ betragen = 2,4 ± 1,4 px, = 2,4 ± 1,3 px, = 0,6 ± 1,0 px und = 0,7 ± 1,2 px.

Obwohl das Netz lediglich auf die Segmentierung von Einzelbildern trainiert ist und trotz der erheblichen Änderung der glottalen Geometrie über mehrere Schwingungszyklen hinweg, zeigt sich eine hohe Übereinstimmung zwischen der zeitlichen Struktur der segmentierten Glottisfläche und den Referenzergebnissen. Für alle durch das Neuronale Netz bestimmten Punkte P₁–P₄ beträgt die mittlere Abweichung der Segmentierungsergebnisse weniger als 3 Pixel. Dies ist im Vergleich deutlich geringer als die mittleren Abweichungen manuell vorgenommener Mehrfachsegmentierungen der Punkte P₁–P₄ (Abbildung 1b [Abb. 1]), welche in einer Arbeit von Lohscheller et al. [4] ermittelt wurden und als Genauigkeit einer manuell vorgenommenen Segmentierung (Goldstandard) angesehen werden können. Für die medialen Punkte P₃ und P₄ beträgt die mittlere Abweichung sogar weniger als 20% gegenüber der Variabilität bei einer manuell vorgenommenen Segmentierung.

Im Unterschied zu rechenintensiven Segmentierungsverfahren, beispielsweise aktiven oder geodätischen Konturen, welche ebenfalls zur Segmentierung der Stimmlippen genutzt werden, wird mit einem trainierten Neuronalen Netz ein hoher Datendurchsatz erreicht, so dass dieses Verfahren auch gut für den klinischen Einsatz geeignet ist.

Die Verwendung eines Neuronalen Netzes ermöglicht eine vollautomatische und präzise Segmentierung der glottalen Fläche, die bezüglich Genauigkeit der Güte manueller Segmentierungen (Goldstandard) entspricht bzw. sogar übertrifft. Eine weitere Verbesserung des Verfahrens kann durch eine Erhöhung der Trainingsmenge sowie durch Optimierung der Netzarchitektur erzielt werden.