Ein Vergleich von 4 konvolutionalen neuronalen Netzen in der histopathologischen Diagnostik von Speicheldrüsenkarzinomen

Abstract: Hintergrund
Maligne Speicheldrüsentumoren sind aufgrund ihrer großen Anzahl an histopathologischen Entitäten, ihres seltenen Auftretens und der Vielfalt der klinischen und histologischen Präsentation eine besondere Herausforderung in der Diagnostik. Ziel der vorliegenden Arbeit ist es, die Anwendung von konvolutionalen neuronalen Netzen (CNN) als Hilfsmittel bei der histologischen Diagnose von malignen Speicheldrüsentumoren zu untersuchen und zu vergleichen.

Methoden
Dazu wurden 118 histologische Schnitte von Speicheldrüsenkarzinompräparaten von 68 Patienten hochauflösend digitalisiert. Diese virtuellen Schnitte wurden in kleine Bildausschnitte unterteilt. Die 83.819 Bilder wurden in 4 Kategorien eingeteilt: Hintergrund, Binde- und Stützgewebe, nichtneoplastisches Speicheldrüsengewebe und Speicheldrüsenkarzinomgewebe, wobei unter der letzten Kategorie die Entitäten adenoidzystisches Karzinom, Adenokarzinom („not otherwise specified“), Azinuszellkarzinom, Basalzellkarzinom, Mukoepidermoidkarzinom und das myoepitheliale Karzinom zusammengefasst wurden. Die kategorisierten Bilder wurden dann in einem Trainings‑, Validierungs- und Testlauf von mit dem Bilddatensatz ImageNet vortrainierten CNN (Inception ResNet v2, Inception v3, ResNet152, Xception) in verschiedenen Pixelgrößen verarbeitet.

Ergebnisse
Die Accuracy-Werte reichten von 18,8–84,7 % über alle Netzarchitekturen und Pixelgrößen, dabei erreichte das Inception-v3-Netz den höchsten Wert bei 500 × 500 Pixel. Die erreichten Recall-Werte bzw. die Sensitivität für verschiedene Pixelgrößen lagen bei bis zu 85 % (Inception-v3-Netz bei 1000 × 1000 Pixel). Der minimal erreichte F1-Score misst 0,07 für das Inception ResNet v2 sowie das Inception v3 bei jeweils 100 × 100 Pixeln, der maximal erreichte F1-Score lag bei 0,72 für das Xception bei 1000 × 1000 Pixeln. Das Netz mit den kürzesten Trainingszeiten war das Inception v3, das allen anderen getesteten Netzen bei jeder Pixelgröße überlegen war.

Schlussfolgerung
In der vorliegenden Arbeit konnte erstmals für den Bereich der histopathologischen Analyse von Speicheldrüsenhistologien die Anwendbarkeit von CNN dargestellt und ein Vergleich der Performance verschiedener Netzarchitekturen angestellt werden. Die Ergebnisse lassen einen deutlichen potenziellen Nutzen zukünftiger Anwendungen erkennen

Object Details

• Location: Deutsche Nationalbibliothek Frankfurt am Main
• Extent: Online-Ressource
• Language: Deutsch
• Notes: HNO. - 71, 3 (2023) , 170-176, ISSN: 1433-0458

Classification and Topics

• Keyword: Neuronales Netz ; Deutschland

Contributors, Places and Time

• Event: Veröffentlichung
• (where): Freiburg
• (who): Universität
• (when): 2023
• Creator: Schulz, Tobias ; Becker, Christoph ; Kayser, Gian

Further information

• DOI: 10.1007/s00106-023-01276-z
• URN: urn:nbn:de:bsz:25-freidok-2334805
• Rights: Open Access; Der Zugriff auf das Objekt ist unbeschränkt möglich.
• Last update: 14.08.2025, 10:59 AM CEST