Projekt 01FMTHH19
Verbesserte Diagnostik von Tumoren des oberen Luft-Speisewegs durch Kombination von hyperspektraler Bildgebung mit Methoden der künstlichen Intelligenz
Ausgangssituation
Bisher gibt es kein adäquates Screeningverfahren zur Früherkennung von Malignomen des oberen Luft-Speisewegs, die in ihrer Gesamtheit die sechst-häufigste Tumorentität beim Menschen ausmachen. Dies führt nicht selten zu einer Diagnoseverzögerung mit konsekutiver Verschlechterung der Prognose. Im weiteren Verlauf entstehen hierdurch erhöhte Kosten für das Gesundheitssystem in Bezug auf Nachsorge und Rehabilitation (Kujan et al., 2007).
Hyperspektrales Imaging (HSI) ist eine Methode zur quantitativen und objektiven Oberflächenanalyse und findet seit einigen Jahren Anwendung in der Biomedizin (Harris, 2006). Dabei werden Gewebeoberflächen mit weißem Licht beleuchtet. Das reflektierte Licht wird mit Hilfe von Spezialkameras in 10-30 engbandige Spektralkanäle (Bandbreite pro Kanal 5-20nm) zerlegt und als Bildstapel bestehend aus Graustufenbildern aufgenommen. Aufgrund des Umfangs und der Komplexität der Datensätze ist die direkte Interpretation der HSI-Bildstapel durch den Untersucher kaum möglich. Es konnte jedoch gezeigt werden, dass Computeralgorithmen, welche die Methoden des maschinellen Lernens (speziell neuronale Netze) nutzen, eine objektive Analyse von HSI-Datensätzen und damit eine Gewebedifferenzierung ermöglichen.
Zielsetzung
Im Rahmen dieses FMTHH-Projekts soll als Pilotstudie ein hyperspektrales Screeningsystem entwickelt werden, welches die automatisierte Beurteilung von Schleimhäuten im oberen Hals- Rachenraum ermöglicht. In diesem Screeningsystem soll ein Computeralgorithmus automatisiert Tumorgewebe, Tumorvorstufen und gutartiges Gewebe in HSI-Datensätzen von Schleimhäuten aus dem oberen Hals- Rachenraum erkennen und markieren. Zukünftig könnte ein solches Screeningsystem die oben beschriebenen Zeitverzögerungen bei der Diagnosefindung von Patienten mit Malignomen des oberen Luft-Speisewegs erheblich reduzieren und somit die Prognose der Erkrankungen verbessern.

Nach Integration einer HSI-Kamera in ein Endoskop (AP1) werden vor geplanten Tumoroperationen von den Patienten hyperspektrale Aufnahmen des oberen Luft-Speisewegs angefertigt (AP2). Es erfolgt eine manuelle Klassifizierung des Gewebes durch einen erfahrenen Arzt (AP2). Mit Hilfe einer genügend großen Anzahl (n>50) von HSI-Datensätzen wird ein CNN trainiert, automatisiert Tumorgewebe, Tumorvorstufen und gutartiges Gewebe in hyperspektralen Datensätzen zu erkennen und hervorzuheben. Dabei wird auch auf die manuell durch einen Arzt annotierten Daten zurückgegriffen (AP3). Final wird die Sensitivität und die Spezifität der CNNs berechnet (AP4).
Vorgehensweise
Zum Projektstart soll zunächst eine HSI-Kamera für das fmthh-Labor angeschafft werden, die geeignet ist, hyperspektrale Bilddaten des oberen Luft-Speisewegs im klinischen Alltag zu generieren. Mit Hilfe der HSI-Kamera können hyperspektrale Bilddatensätze von großen Schleimhautarealen bei Patienten aufgenommen werden. Parallel erfolgt die Aufnahme eines Farbbildes, in welchem vom behandelnden Arzt die Tumorareale markiert werden.
Zur Auswertung der Datensätze soll ein Algorithmus basierend auf convolutional neural networks (CNNs) entwickelt und trainiert werden, welcher automatisiert Tumorgewebe, Tumorvorstufen und gutartiges Gewebe in hyperspektralen Datensätzen erkennt und hervorhebt. Dazu kann zunächst auf bereits bestehende HSI-Datensätze aus früheren Arbeiten zurückgegriffen werden. Die neu aufgenommenen HSI- Datensätze werden direkt in das Training der neuronalen Netze einbezogen. Ziel ist es während des Projektes eine genügend große Anzahl von Datensätzen (n>50) für das Training der neuronalen Netze zu generieren. Zur Optimierung des Algorithmus erfolgt fortlaufend ein Abgleich der erzielten Klassifizierungsergebnisse mit den durch die HNO-Ärzte klassifizierten Daten. Final erfolgt die Beurteilung der Güte der Klassifikationsergebnisse des neu entwickelten Verfahrens.
Mit der Weiterentwicklung der HSI-Technologie und der Integration in bestehende Anwendungen besteht das Potenzial, dass das zu entwickelnde System eine Vielzahl von endoskopischen Eingriffen als Standardkomponente unterstützen kann.
Beteiligte
Dr. rer. nat. Dennis Eggert
Projekttleitung
Klinik und Poliklinik für Hals-, Nasen- und Ohrenheilkunde
UKE
Dr. med. Julian Berwarder
Klinische Betreuung des Projekts
Klinik und Poliklinik für Hals-, Nasen- und Ohrenheilkunde
UKE

M.Sc. Sarah Latus
Projektleitung
Institut für Medizintechnische und Intelligente Systeme
TUHH

M.Sc. M.A. Marcel Bengs
stellv. Projektleitung, Entwicklung der Methoden des Maschinellen Lernens
Institut für Medizintechnische und Intelligente Systeme
TUHH
Publikationsliste
2021
- D. Eggert, M. Bengs, S. Westermann, N. Gessert, A. O. H. Gerstner, N. A. Mueller, J. Bewarder, A. Schlaefer, C. Betz, , W. Laffers (2021). In vivo detection of head, neck tumors by hyperspectral imaging combined with deep learning methods. Journal of Biophotonics, e202100167
2020
- M. Bengs, S. Westermann, N. Gessert, D. Eggert, A. O. H. Gerstner, N. A. Mueller, C. Betz, W. Laffers, A. Schlaefer (2020). Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection. SPIE Medical Imaging 2020: Computer-Aided Diagnosis. in print.
- M. Bengs, N. Gessert, W. Laffers, D. Eggert, S. Westermann, N.A. Mueller, A.O.H. Gerstners, C. Betz, A. Schlaefer (2020). Spectral-spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification. Medical Image Computing and Computer Assisted Intervention – MICCAI 2020 Springer International Publishing: Cham 690-699.