Zielsetzung
Geometrisch-anatomische Merkmale, wie zum Beispiel scharfe, überlagerungsfreie Knochenkonturen, sind wesentliche Qualitätskriterien radiographischer Projektionsaufnahmen. Während Experten diese Merkmale visuell erfassen können, ist eine automatisierte Bewertung dieser Kriterien bisher nicht möglich. Hier kann künstliche Intelligenz (KI) Abhilfe schaffen.
Das Ziel dieser Arbeit ist die Entwicklung eines KI-basierten Algorithmus zur automatisierten Qualitätsbewertung von Röntgenbildern auf Basis definierter Kriterien am Beispiel des oberen Sprunggelenks (OSG).
Material und Methoden
900 Röntgenbilder des OSG (450 anterior-posterior (AP), 450 laterale Projektionen (LAT)) wurden auf Basis geometrisch-anatomischer Merkmale semiquantitativ von bis zu vier Radiologen als 1 (ausgezeichnet), 2 (akzeptabel), 3 (nicht akzeptabel) bewertet.
Der Datensatz wurde zwölfmal zufällig im Verhältnis 80:20 in Trainings-/Testgruppe aufgeteilt, um jeweils ein Deep Convolutional Neural Network (EfficientNet-B0) zu trainieren. Der Mittelwert der Bewertungen durch die Radiologen diente als Referenzstandard, eine Abweichung von <0,5 wurde als Übereinstimmung gewertet.
Ergebnisse
Die Genauigkeit der Qualitätsvorhersage erreichte für AP-Projektionen 90,1%±0,02 und für LAT-Projektionen 91,3%±0,01. Cohens Kappa zeigte eine beachtliche Übereinstimmungsgüte (0,77; p<0,001). Der mittlere absolute Fehler der semiquantitativen Bewertung betrug 0,2/0,2 (AP/LAT).
Schlußfolgerungen
Diese Arbeit demonstriert einen KI-basierten Ansatz zur automatisierten Beurteilung der Qualität von Röntgenaufnahmen des Sprunggelenks basierend auf Bildmerkmalen mit beachtlicher Übereinstimmungsgüte zu Experteneinschätzungen. Der Ansatz bietet ein breites Spektrum möglicher Anwendungen, von einem Assistenzsystem für medizinisch-technische Assistenten, bis hin zur Bewertung von Datensätzen für das Training von KI-Anwendungen zur Garantie einer ausreichenden Datenqualität.
