Intelligente Endoskopie – KI-basierte Polypendetektion während der Koloskopie
© iStock.com/PhonlamaiPhoto
Bildbasierte Detektion, Klassifikation und Dokumentation von Polypen mithilfe von Künstlicher Intelligenz

Intelligente Endoskopie

Bildbasierte Detektion, Klassifikation und Dokumentation von Polypen mithilfe von Künstlicher Intelligenz

Intelligente Endoskopie – KI-basierte Polypendetektion während der Koloskopie

Automatisierte Befundung mithilfe von tiefen neuronalen Netzen

Ziel

Ziel des Projektes »Deep Colonoscopy« ist die Entwicklung eines Systems zur automatisierten Detektion, Klassifikation und Dokumentation von Polypen und Läsionen in Echtzeit. Hierzu werden geeignete tiefe neuronale Netzwerkarchitekturen evaluiert und trainiert, die in der Datenanalyse sowohl eine hohe Sensitivität als auch Spezifität aufweisen und gleichzeitig auf low-complexity Hardwarekomponenten laufen können.

 

Intelligentes Endoskopiesystem zur KI-basierten Polypendetektion
© Fraunhofer IIS
Intelligentes Endoskopiesystem kartographiert Polypen mithilfe Künstlicher Intelligenz
Vorklassifizierung von Polypen nach der Paris-Klassifikation
© Fraunhofer IIS
Vorklassifizierung von Polypen nach der PARIS-Klassifikation mithilfe des intelligenten Endoskopiesystems

Das intelligente Endoskopiesystem soll Ärzte bei der Befundung unterstützen, indem es

  • ein reales 3D-Modell der Magen- und Darmwandungen in Echtzeit erstellt (s.a. GastroMapper) und die daraus erzeugten Panoramabilder eine größtmögliche Orientierung bieten, um Polypen direkt zu kartographieren,
  • mithilfe von Bildmarkierungen, wie bspw. Anfärben, auf verdächtige Bildareale aufmerksam macht,
  • Polypen und andere Läsionen (Adenome etc.) automatisiert detektiert und eine Vorklassifizierung nach der PARIS-Klassifikation durchführt,
  • eine automatisierte Befunddokumentation der detektierten Läsionen und Zusatzinformationen (Größe, Lokalisation, Oberflächenstruktur etc.) inklusive vorausgefüllter Textfelder generiert.

Motivation

Darmkrebs zählt zu den am häufigsten auftretenden Krebsarten. Als zuverlässigste Methode zur Früherkennung von Darmkrebs, insbesondere dessen Vorstufen, die Adenome, gilt die Darmspiegelung.

Die Herausforderung für den Arzt besteht darin, auch unter Zeitdruck alle Läsionen (insbesondere kleine Polypen, flache Neubildungen, Blutungen, usw.) zu erkennen, zu differenzieren, zu dokumentieren und zu behandeln. Während der Untersuchung muss sich der Arzt allein auf sein Vorwissen und Erfahrung verlassen, während er die Darmwandungen Stück für Stück mit der Endoskopspitze abfährt. Eine 3D-Visualisierung des Darms als auch eine Vorabklassifikation in Echtzeit gibt es nicht. Die eigentliche Befunddokumentation erfolgt erst im Nachgang der Untersuchung.

Ziel des Projektkonsortiums ist es daher, dem Arzt ein System zur echtzeitfähigen Befundunterstützung an die Hand zu geben, um sowohl das Diagnoserisiko zu minimieren als auch den Befundszeitraum zu reduzieren.

Intelligentes Endoskopiesystem unterstützt Ärzte mithilfe KI-basierter Befundung

  • KI-basierte Videoanalyse zur Polypendetektion und –klassifikation sorgt für eine höhere Trefferquote und trägt damit zu mehr Sicherheit für die Patienten bei
  • Automatisch generierte Befunddokumentation spart Zeit und sorgt für eine verbesserte Qualitätssicherung
  • Herstellerunabhängige Integration mithilfe strukturierter Befunderstellung und passender Schnittstellen möglich
  • Geringere Kosten durch Weißlicht-Endoskopie
     

Veröffentlichungen

 

Partner

  • E&L Medical Systems, Erlangen (Konsortialführung)
    • Entwicklung von Software-Werkzeugen als Erweiterung des Bild- und Befunddokumentationssystems Clinic WinData (CWD)
    • Bereitstellung von Trainings- und Testdaten, Annotation der Bilddaten
    • Anbindung an ein geeignetes Endoskopiesystem
  • Malteser Waldkrankenhaus St. Marien, Erlangen 
    • Erstellung des Funktionsdemonstrators
    • Wissenschaftliche Evaluierung mithilfe von Phantomen, anonymisierten endoskopischen Bildsequenzen
  • Nexus AG, Niederlassung München
    • NEXUS / NBBNG Diagnostikplattform: Recherche geeigneter Datenformate und Kommunikationsprotokolle für die spätere Integration in KIS
    • Konzepterstellung und Evaluierung der KIS-Kommunikation
  • Fraunhofer IIS, Erlangen
    • Aufbau, Entwicklung und Etablierung eines kombinierten Hardware- und Software-Frameworks bzw. einer geeigneten Infrastruktur (Rechner, Speicher, Grafikkarten, Control-Software) zum Trainieren, Validieren und Testen von tiefen neuronalen Netzen
    • Recherche, Bewertung, Auswahl und Implementierung geeigneter Architekturen
    • Training, Validierung, Testen der DNN’s