Computerunterstützte Erkennung von Geschwüren und Erosionen des Dünndarms in Bildern der drahtlosen Kapselendoskopie

Eine neuartige computerunterstützte Erkennungsmethode basierend auf einem Deep-Learning-Framework wurde vorgeschlagen, um Geschwüre und Erosionen des Dünndarms in Bildern der drahtlosen Kapselendoskopie (WCE) zu erkennen. Nach unserem besten Wissen ist dies das erste Mal, dass ein Deep-Learning-Framework zur automatisierten Erkennung von Geschwüren und Erosionen in WCE-Bildern eingesetzt wurde. Im Vergleich zur traditionellen Erkennungsmethode kann das Deep-Learning-Framework Bildmerkmale direkt aus den Daten erzeugen und die Erkennungsgenauigkeit sowie Effizienz erhöhen, insbesondere bei großen Datenmengen. Die entwickelte Methode umfasste Bildzuschnitt und Bildkompression. Das AlexNet-Convolutional-Neural-Network wurde mit einer Datenbank von zehntausenden WCE-Bildern trainiert, um Läsionen und normales Gewebe zu unterscheiden. Die Ergebnisse der Geschwür- und Erosionsdiagnose erreichten eine hohe Genauigkeit von 95,16 % und 95,34 %, eine Sensitivität von 96,80 % und 93,67 % sowie eine Spezifität von 94,79 % und 95,98 %. Der Bereich unter der Receiver Operating Characteristic-Kurve betrug in beiden Netzwerken über 0,98. Die vielversprechenden Ergebnisse deuten darauf hin, dass die vorgeschlagene Methode das Potenzial hat, in Zusammenarbeit mit Ärzten effizient Geschwüre und Erosionen im Darm zu erkennen.