Deep Learning zur computerunterstützten Früherkennung von Speiseröhrenkrebs aus endoskopischen Bildern
Kooperationspartner
- Regensburg Medical Image Computing, Ostbayerische Technische Hochschule Regensburg
- Prof. Dr. Christoph Palm
- Robert Mendel
- David Rauber
- III. Medizinische Klinik, Klinikum Augsburg
- Prof. Dr. Helmut Messmann
- Dr. Alanna Ebigbo
- Dr. Andreas Probst
- Department of Computing, São Paulo State University, São Paulo, Brazil
- Prof. João Papa, PhD
- Luis Antonio de Souza Jr.
Veröffentlichungen
Projekt Barrett (Prof. Palm)
2020 |
|||
Luis Antonio de Souza Jr., Leandro A. Passos, Robert Mendel, Alanna Ebigbo, Andreas Probst, Helmut Messmann, Christoph Palm, João Paulo Papa | Assisting Barrett's esophagus identification using endoscopic data augmentation based on Generative Adversarial Networks | Computers in Biology and Medicine, Vol.126, 2020 | BibTeX DOI |
Alanna Ebigbo, Robert Mendel, Tobias Rückert, Laurin Schuster, Andreas Probst, Johannes Manzeneder, Friederike Prinz, Matthias Mende, Ingo Steinbrück, Siegbert Faiss, David Rauber, Luis Antonio de Souza Jr., João Paulo Papa, Pierre Deprez, Tsuneo Oyama, Akiko Takahashi, Stefan Seewald, Prateek Sharma, Michael F. Byrne, Christoph Palm, Helmut Messmann | Endoscopic prediction of submucosal invasion in Barrett’s cancer with the use of Artificial Intelligence: A pilot Study | Endoscopy, 2020 | BibTeX DOI |
Alanna Ebigbo, Robert Mendel, Andreas Probst, Johannes Manzeneder, Friederike Prinz, Luis Antonio de Souza, João Paulo Papa, Christoph Palm, Helmut Messmann | Real-time use of artificial intelligence in the evaluation of cancer in Barrett’s oesophagus | Gut, Vol.69, pp. 615-616, 2020 | BibTeX DOI |
2019 |
|||
Alanna Ebigbo, Christoph Palm, Andreas Probst, Robert Mendel, Johannes Manzeneder, Friederike Prinz, Luis Antonio de Souza, João Paulo Papa, Peter Siersema, Helmut Messmann | A technical review of artificial intelligence as applied to gastrointestinal endoscopy: clarifying the terminology | Endoscopy International Open, 07(12), pp. 1616-1623, 2019 | BibTeX DOI |
Alanna Ebigbo, Robert Mendel, Andreas Probst, Johannes Manzeneder, Luis Antonio de Souza, João Paulo Papa, Christoph Palm, Helmut Messmann | Artificial Intelligence in Early Barrett's Cancer: The Segmentation Task | Endoscopy, p. 6, 2019 | BibTeX DOI |
Leandro A. Passos, Luis Antonio de Souza, Robert Mendel, Alanna Ebigbo, Andreas Probst, Helmut Messmann, Christoph Palm, João Paulo Papa | Barrett’s esophagus analysis using infinity Restricted Boltzmann Machines | Journal of Visual Communication and Image Representation, Vol.59, pp. 475-485, 2019 | BibTeX DOI |
Alanna Ebigbo, Robert Mendel, Andreas Probst, Johannes Manzeneder, Luis Antonio de Souza, João Paulo Papa, Christoph Palm, Helmut Messmann | Computer-aided diagnosis using deep learning in the evaluation of early oesophageal adenocarcinoma | GuT, Vol.68, pp. 1143-1145, 2019 | PDF BibTeX DOI |
Luis Antonio de Souza, Luis Claudio Sugi Afonso, Alanna Ebigbo, Andreas Probst, Helmut Messmann, Robert Mendel, Christian Hook, Christoph Palm, João Paulo Papa | Learning visual representations with optimum-path forest and its applications to Barrett's esophagus and adenocarcinoma diagnosis | Neural Computing and Applications, pp. 1-17, 2019 | BibTeX DOI |
2018 |
|||
Luis Antonio de Souza, Christoph Palm, Robert Mendel, Christian Hook, Alanna Ebigbo, Andreas Probst, Helmut Messmann, Silke Weber, João Paulo Papa | A survey on Barrett's esophagus analysis using machine learning | Computers in Biology and Medicine, Vol.96, pp. 203-213, 2018 | BibTeX DOI |
Luis Antonio de Souza, Alanna Ebigbo, Andreas Probst, Helmut Messmann, João Paulo Papa, Robert Mendel, Christoph Palm | Barrett's Esophagus Identification Using Color Co-occurrence Matrices | 31st SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI), Parana, 2018, pp. 166-173, 2018 | BibTeX DOI |
2017 |
|||
Luis Antonio de Souza, Christian Hook, João Paulo Papa, Christoph Palm | Barrett's Esophagus Analysis Using SURF Features | Bildverarbeitung für die Medizin 2017; Algorithmen - Systeme - Anwendungen. Proceedings des Workshops vom 12. bis 14. März 2017 in Heidelberg, pp. 141-146, 2017 | BibTeX DOI |
Luis Antonio de Souza, Luis Claudio Sugi Afonso, Christoph Palm, João Paulo Papa | Barrett's Esophagus Identification Using Optimum-Path Forest | Proceedings of the 30th Conference on Graphics, Patterns and Images Tutorials (SIBGRAPI-T 2017), Niterói, Rio de Janeiro, Brazil, 2017, 17-20 October, pp. 308-314, 2017 | BibTeX DOI |
Robert Mendel, Alanna Ebigbo, Andreas Probst, Helmut Messmann, Christoph Palm | Barrett’s Esophagus Analysis Using Convolutional Neural Networks | Bildverarbeitung für die Medizin 2017; Algorithmen - Systeme - Anwendungen. Proceedings des Workshops vom 12. bis 14. März 2017 in Heidelberg, pp. 80-85, 2017 | BibTeX DOI |
Projektbeschreibung
Motivation
Als Reflux bezeichnet man eine Entzündung der Speiseröhre, die durch einen gesteigerten Rückfluss von saurem Mageninhalt in die Speiseröhre (Ösophagus) entsteht. Chronischer Reflux ist die Hauptursache für den Barrett-Ösophagus, eine Läsion der Schleimhaut mit erhöhtem Risiko der Ausbildung von Speiseröhrenkrebs. Die Überlebenschancen von betroffenen Patienten gelten als schlecht, da die Erkrankung meist erst im späten Stadium diagnostiziert wird. Ist eine medikamentöse Standardbehandlung des Refluxes nicht erfolgreich, kann eine endoskopische Untersuchung indiziert sein, um möglichst frühzeitig therapierbare Symptome aufzudecken. Diese ist allerdings nicht unproblematisch, da viele Reflux Patienten endoskopisch-negativ sind, d.h. Schleimhautläsionen trotz vorliegender Erkrankung nicht sichtbar sind (geringe Sensitivität der Untersuchung). Die Signifikanz im Falle eines pathologischen Befunds ist dagegen relativ hoch (hohe Spezifität der Untersuchung).
Ziele und Vorgehen
Bei den bildgebenden Verfahren der Diagnostik kommen zunehmend Methoden des Maschinellen Lernens zum Einsatz. Mit Hilfe von Deep Learning Ansätzen soll der Arzt dabei unterstützt werden, Reflux bedingte Schleimhautschädigungen, insbesondere (prä-)kanzerogene Läsionen, bei der Begutachtung endoskopischer Bilder zuverlässig zu erkennen. Aufgrund der maschinellen Auswertung der endoskopischen Bilder sollen Rückschlüsse auf die Ausprägung einer möglichen Erkrankung gezogen werden. Durch Einsatz von Deep Learning konnte in den letzten Jahren mehrfach eine Qualität bei der diagnostischen Auswertung medizinischer Bilder erreicht werden, die den ärztlichen "Goldstandard" nicht nur erreicht, sondern sogar übertrifft. Damit begegnen sich Arzt und Rechner auf Augenhöhe, so dass z.B. künftig der Computer zumindest als Zweitgutachter etabliert werden könnte.