Das Ziel dieser Arbeit ist es, zu klären, ob eine automatische Klassifikation von CT-Thoraxbildern zwischen Gesund und Fibrose mit Hilfe von Deep Learning Algorithmen zuverlässig möglich ist.Hierfür standen 52 HRCT-Datensätze von unauffälligen Thoraxbefunden und 52 Datensätze von Patienten mit fibrotisch erkranktem Lungenparenchym zur Verfügung. Diese Datensätze dienten als Lern-, Validierungs- und Prüfdaten für die neuangelernten Neuronalen Netze. Fünf verschiedene Programmvarianten wurden untersucht.Variante 1: Zunächst wurden zufällig ausgewählte Bilder aus den Ordnern Gesund bzw. Fibrose ausgewählt und in die entsprechenden Ordner Lehrdaten_Gesund (1351Schnittbilder), Lehrdaten_Fibrose (942 Schnittbilder), Prüfdaten_Gesund (1169 Schnittbilder) und Prüfdaten_Fibrose (1057 Schnittbilder) kopiert. Mit dieser bildspezifischen Aufteilung der Daten wurde das Neuronale Netz Inception v3 unter TensorFlow neu angelernt.Variante 2: In einer zweiten Programmvariante wurden in die Anlernphase mehr Bilddaten in den Lern- und Prüfungsprozess einbezogen. Es wurden jeweils 26 zufällig gewählte Patienten diagnosespezifisch in die Ordner Lehrdaten_Gesund (5622 Schnittbilder), Lehrdaten_Fibrose (3323 Schnittbilder), Prüfdaten_Gesund (5407 Schnittbilder) und Prüfdaten_Fibrose (2919 Schnittbilder) kopiert. Zudem erfolgte eine patientenspezifische Aufteilung der Daten. Mit dieser patientenspezifischen Aufteilung wurde Inception v3 erneut unter TensorFlow angelernt.Varianten 3 bis 5: Darüber hinaus wurden die Neuronalen Netze DenseNet121, Inception v3 und ResNet50 unter PyTorch angelernt. Hierzu erfolgte eine patienten- und diagnosespezifische Aufteilung der Daten in die Ordner Lerndaten_Gesund (23 Patienten), Validierungsdaten_Gesund (3 Patienten), Prüfdaten_Gesund (26 Patienten), Lerndaten_Fibrose (23 Patienten), Validierungsdaten_Fibrose (3 Patienten) und Prüfdaten_Fibrose (26 Patienten). Für einige gewählte Bilder wurden Class-Activation- Maps erstellt, um die Grundlage der Klassifizierungsentscheidung transparenter dazustellen.Die neu angelernten Neuronalen Netze konnten erfolgreich eingesetzt werden. Das unter TensorFlow neu angelernte Neuronale Netz Inception v3 (Variante 1) zeigte in der ersten, bildspezifischen Aufteilung der Daten eine Sensitivität von 96,9 % und eine Spezifität von 95,4 %. Die patientenspezifische Aufteilung der Daten (Variante 2) zeigte unter TensorFlow eine Sensitivität von 99,1 % und eine Spezifität von 99,4 %. Unter PyTorch klassifizierten DenseNet121 und Inception v3 alle Prüfdaten richtig (Varianten 3 und 4) und zeigten somit eine Sensitivität und eine Spezifität von 100 %. ResNet50 (Variante 5) klassifizierte unter PyTorch zwei fibrotische Schnittbilder als Gesund (Sensitivität 99,93 %, Spezifizität 100 %).Deep Learning Methoden sind für eine vollautomatische Klassifizierung von CT-Thoraxbildern in Gesund und Fibrose geeignet. Durch weitere Arbeiten soll evaluiert werden, ob eine automatische Fibroseschweregrad- und Mustereinteilung möglich ist.
Verknüpfung zu Publikationen oder weiteren Datensätzen
