Gewebedifferenzierung in der Kopf-Hals-Chirurgie mittels hyperspektraler Bildanalyse durch Neuronale Netze

Introduction:

In head and neck surgery, continuous intraoperative tissue differentiation is of great importance to avoid injury to sensitive structures such as nerves and vessels. Hyperspectral imaging (HSI) with neural network analysis could support the surgeon in tissue differentiation.

Material and methods:

A 3D Convolutional Neural Network with hyperspectral data in the range of 400-1000nm was used. The acquisition system consisted of two multispectral snapshot cameras. For the analysis, 31 images with annotations of glandular tissue, nerve, muscle, skin and vein in 21 patients undergoing parotidectomy and neck dissection were included. Three patients were removed for evaluation according to the "leave one subject out" principle. The remaining images were used for training, with the data randomly divided into a training group (85%) and a validation group (15%).

Results:

In the validation, an accuracy of 98.7% was achieved, indicating robust training. In the evaluation on the excluded patients, an overall accuracy of 83.4% was achieved with prediction rates of 93%, 98%, 76%, 87% and 63% for glandular tissue, skin, muscle, nerve and vein, respectively.

Conclusion:

The results clearly show that it is possible to achieve robust intraoperative tissue differentiation using hyperspectral imaging. Especially the high sensitivity in parotid or nerve tissue is of clinical importance. It is interesting to note that vein was often confused with muscle. This requires further analysis and shows that a very good and comprehensive data basis is essential. This is a major challenge, especially in surgery.

Einleitung:

In der Kopf-Hals-Chirurgie ist eine ständige intraoperative Gewebsdifferenzierung von großer Bedeutung um eine Verletzung von sensiblen Strukturen wie Nerven und Gefäßen zu vermeiden. Die hyperspektrale Bildgebung (HSI) mit der Analyse durch neuronale Netze könnte hier dem Operateur bei der Gewebsdifferenzierung unterstützen.

Methode:

Es wurde eine 3D-Convolutional Neuronal Network mit hyperspektralen Daten im Bereich von 400-1000nm genutzt. Das Aufnahmesystem bestand aus zwei multispektralen Snapshot-Kameras. Für die Analyse wurden 31 Aufnahmen mit Annotationen von Drüsengewebe, Nerv, Muskel, Haut und Vene bei 21 Patienten einer Parotidektomie sowie einer Neck dissection eingeschlossen. Zur Evaluierung nach dem Prinzip "leave one subject out" wurden drei Patienten herausgelöst. Die übrigen Aufnahmen wurden zum Training genutzt, wobei die Daten zufällig in eine Trainings- (85%) und eine Validierungsgruppe (15%) aufgeteilt wurden.

Ergebnisse:

In der Validierung wurde eine Genauigkeit von 98.7% erreicht, was auf ein robustes Training schließen lässt. In der Evaluation auf den ausgeschlossenen Patienten wurde eine Gesamtgenauigkeit von 83.4% erreicht mit Erkennungsraten[KM1] [WE2] von 93%, 98%, 76%, 87% und 63% für Drüsengewebe, Haut, Muskel, Nerv beziehungsweise Vene.

Schlussfolgerung:

Die Ergebnisse zeigen klar, dass es möglich ist eine robuste intraoperative Gewebedifferenzierung mittels hyperspektraler Bildgebung zu erreichen. Gerade die hohe Sensitivität bei Parotis- oder Nervengewebe ist von klinischer Wichtigkeit. Interessant ist, dass Vene oft mit Muskel verwechselt wurde. Dies bedarf weiterer Analysen und zeigt, dass eine sehr gute und umfangreiche Datengrundlage essentiell ist. Dies ist gerade in der Chirurgie eine große Herausforderung.

Die Autoreinnen/Autoren geben an, dass kein Interessenkonflikt besteht