Automatisierte Lokalisation von Armnerven im Ultraschall durch Künstliche Intelligenz mit tiefen neuronalen Netzwerken
Klinische Neurophysiologie · 01.06.2025 · 56 (02) · 63-71
DOI: 10.1055/a-2573-0858 ↗Kurz gefasst
Fachartikel in der Zeitschrift Klinische Neurophysiologie, erschienen am 01.06.2025. Verfasst von Korbinian Holzapfel und 5 weiteren Autor:innen. Die Arbeit nennt 30 Literaturangaben.
Abstract (Originalsprache)
Die Nervensonografie ist eine etablierte diagnostische Methode bei der Detektion pathologischer Nervenveränderungen. Der Einsatz von künstlicher Intelligenz (KI) in der Ultraschalldiagnostik hat in den letzten Jahren erhebliche Fortschritte erzielt, insbesondere durch Verwendung tiefer neuronaler Netzwerke. Die Studie sollte aus etablierten tiefen neuronalen Netzwerken zur Objekterkennung das geeignetste Netzwerk identifizieren, um Armnerven in ihrem Verlauf im Ultraschallvideo zu detektieren. Eine eigens entwickelte Web-App sollte Nerven automatisiert erkennen sowie dem Auswerter die Annotation von durch die KI falsch oder nicht erkannten Nerven erleichtern. Aus Ultraschallvideos des Nervus medianus bzw. ulnaris 30 gesunder Probanden wurden Einzelbilder extrahiert, und die Nerven von einem Experten für Nervensonografie mithilfe einer dafür entwickelten Web-Applikation annotiert. Die Annotationen wurden in das You-Only-Look-Once-Label-Format (YOLO) umgewandelt, und zunächst ein Faster Region Convolutional Neural Network (Faster-R-CNN) trainiert. Die Leistung des Faster-R-CNN wurde durch Transfer Learning und die Anpassung der Hyperparameter für den Anwendungsfall optimiert. Basierend auf den Ergebnissen durch den Einsatz des Faster-R-CNN-Netzwerks wurden weitere künstliche neuronale Netze zur Objekterkennung trainiert: YOLO-, DINO-Resnet50- (DINO: self-distillation with no labels, Resnet: residual neural network), DINO-SwinL-Netzwerk (SwinL: Swin transformer mit Größe L). Entsprechende Performance Parameter wurden bei den einzelnen neuronalen Netzen bestimmt und zur Identifikation des geeignetsten neuronalen Netzes verglichen. Durch Anwendung der Faster-R-CNN-Modells konnte eine Erkennungsrate von 70% bei den 30 besten Bildern mit einem IoU (Intersection over Union)-Threshold von 0,5 und bei einem IoU-Threshold von 0,7 eine Erkennungsrate von 46,7% erreicht werden. Durch den Einsatz von YOLOv8-Modellen konnte die Erkennungspräzision erheblich gesteigert werden. Im Vergleich mit dem Faster-R-CNN-Modell (mAP50 0,223) zeigte das YOLOv8-Modell (mAP50 YOLOv8s und YOLOv8m 0,9283) eine deutlich bessere Erkennungsgenauigkeit. Die Nervenerkennung und die Annotationen des Bildmaterials konnten mithilfe einer Web-App komfortabel vorgenommen werden. Mithilfe von YOLOv8-Deep-Learning-Modellen können Armnerven automatisiert in aus Ultraschallvideos extrahierten Einzelbildern zuverlässig und schnell detektiert werden. Durch Entwicklung einer benutzerfreundlichen Web-Anwendung kann das weitere Anlernen des neuronalen Netzes verbessert und für den medizinischen Praktiker erleichtert werden. Bei weiterer Optimierung hat die Methode ein vielversprechendes Potenzial für den zukünftigen Einsatz von Deep Learning im Nervenultraschall zur automatisierten Diagnostik von Erkrankungen des peripheren Nervensystems.
Zitieren
APA
Holzapfel, K., Schöler, T., Dechent, R., Naumann, M., Allweyer, M., & Eisenacher, T. (2025). Automatisierte Lokalisation von Armnerven im Ultraschall durch Künstliche Intelligenz mit tiefen neuronalen Netzwerken. Klinische Neurophysiologie, 56(02), 63-71. https://doi.org/10.1055/a-2573-0858
Vancouver
Holzapfel K, Schöler T, Dechent R, Naumann M, Allweyer M, Eisenacher T. Automatisierte Lokalisation von Armnerven im Ultraschall durch Künstliche Intelligenz mit tiefen neuronalen Netzwerken. Klinische Neurophysiologie. 2025;56(02):63-71. doi:10.1055/a-2573-0858
BibTeX
@article{Holzapfel2025,
author = {Holzapfel, Korbinian and Schöler, Thorsten and Dechent, Raphael and Naumann, Markus and Allweyer, Martin and Eisenacher, Tobias},
title = {Automatisierte Lokalisation von Armnerven im Ultraschall durch Künstliche Intelligenz mit tiefen neuronalen Netzwerken},
journal = {Klinische Neurophysiologie},
year = {2025},
volume = {56},
number = {02},
pages = {63--71},
doi = {10.1055/a-2573-0858}
}
EUVIMED