ESFPNet: effiziente Tiefe-Lern-Architektur für die Echtzeit-Läsionssegmentierung in Autofluoreszenz-Brонchoskopie-Videos

Lungenkrebs neigt dazu, erst in einem fortgeschrittenen Stadium entdeckt zu werden, was zu einer hohen Sterblichkeitsrate bei Patienten führt. Daher konzentriert sich viel aktuelle Forschung auf die Früherkennung der Erkrankung. Die Bronchoskopie gilt als Verfahren der Wahl, um frühzeitige Manifestationen (bronchiale Läsionen) von Lungenkrebs auf nichtinvasivem Wege effektiv zu detektieren. Insbesondere ermöglicht die Autofluoreszenz-Bronchoskopie (AFB) eine Unterscheidung der Eigenfluoreszenzeigenschaften von gesundem (grünen) und erkranktem Gewebe (bräunlich-rot) anhand unterschiedlicher Farben. Da jüngere Studien die hohe Sensitivität der AFB bei der Läsionserkennung belegen, hat sich diese Methode zu einem potenziell entscheidenden Verfahren bei bronchoskopischen Atemwegsuntersuchungen entwickelt. Leider ist die manuelle Inspektion von AFB-Videostreams äußerst zeitaufwendig und fehleranfällig, während bisher nur begrenzte Anstrengungen unternommen wurden, um eine robusteren, automatisierten Analyse von AFB-Läsionen zu entwickeln. Wir stellen eine Echtzeit-Deep-Learning-Architektur namens ESFPNet vor, die eine Verarbeitungsgeschwindigkeit von 27 Bildern pro Sekunde erreicht und präzise Segmentierung sowie robuste Detektion bronchialer Läsionen in AFB-Videostreams ermöglicht. Die Architektur verfügt über einen Encoder, der vortrainierte Mix-Transformer (MiT)-Encoder nutzt, sowie einen effizienten, stufenweisen Merkmalspyramiden-(ESFP)-Decoder. Die Segmentierungsergebnisse aus AFB-Atemwegsuntersuchungen bei 20 Lungenkrebspatienten zeigen, dass unser Ansatz einen mittleren Dice-Koeffizienten von 0,756 und eine durchschnittliche Intersection-over-Union (IoU) von 0,624 erzielt – Ergebnisse, die denen anderer neuerer Architekturen überlegen sind. Somit bietet ESFPNet dem Arzt ein potenzielles Werkzeug zur sicheren, Echtzeit-Segmentierung und Detektion von Läsionen während einer Live-Bronchoskopie. Darüber hinaus zeigt unser Modell ein vielversprechendes Anwendungspotenzial für andere Domänen, was sich an seiner state-of-the-art (SOTA)-Leistung auf den Datensätzen CVC-ClinicDB und ETIS-LaribPolypDB sowie seiner überlegenen Leistung auf den Datensätzen Kvasir und CVC-ColonDB zeigt.