Einleitung: Die Diagnostik von Kopf-Hals-Tumoren, insbesondere von Tumorrezidiven, stellt eine große Herausforderung im klinischen Alltag dar. Im Rahmen dieser Arbeit wurde die verbesserte Tumordiagnostik und Patientenselektion mittels diverser computergestützter Verfahren untersucht. Dies beinhaltete die Nutzung eines Bidirectional Encoder Representations from Transformers (BERT) zur Patientenselektion, den Single Energy Metal Artifact Reduction-Algorithmus (SEMAR) zur Metallartefaktreduzierung sowie die Evaluation der Tumorperfusion zur Rezidivdiagnostik. Material und Methoden: Ein spezielles Deep Learning Natural Language Modell, der From-Scratch Bidirectional Encoder Representations from Transformers (FS-BERT), wurde arbeitsgruppenintern programmiert und an 3,8 Millionen intensivmedizinischen Thoraxbefunden trainiert. Der FS-BERT wurde mit drei weiteren BERT-Modellen verglichen. Der so trainierte FS-BERT wurde folgend eingesetzt, um automatisiert und zeiteffizient Kopf-Hals-CTs mit ausgedehnten Metallartefakten zu selektieren. Das Problem ausgedehnter Bildartefakte durch metallische Zahnrestaurationen und die eingeschränkte Beurteilbarkeit der umgebenden Weichgewebe wurde durch die Metallartefaktreduzierung mittels SEMAR adressiert und an 154 Patienten untersucht. Eine Auswertung der Bildqualität durch mehrere Betrachter sowie die Evaluation der CT-Abschwächung erfolgte exemplarisch an den Bereichen des Mundbodens, der Glandula sublingualis sowie dem lymphatischen Rachenring. Abschließend wurde mit der Perfusions-CT (PCT) eine funktionelle Komponente in die bildgebende Tumordiagnostik eingebunden. Für die Evaluation der PCT bei Kopf-Hals-Tumoren wurden 17 Patienten mit Rezidiven und 63 Patienten als tumorfreie Kontrollgruppe (insgesamt n=80) mittels des Maximum Slope Algorithmus evaluiert. Ergebnisse: Folgende Befunde konnten mittels FS-BERT sicher in Thoraxröntgenbildern identifiziert werden: Opazität, Erguss, Pneumothorax, zentralvenöser Katheter, Trachealkanüle/ Tubus, Magensonde und Thoraxdrainage. Die gepoolte prozentuale Übereinstimmung, im Vergleich zur händischen Segmentierung, lag bei 93,7% bis 97,0%. Der Transfer in die CT-Bildgebung erfolgte. Durch die Anwendung von SEMAR wurde die Bildqualität von allen Untersuchern für jeden Patienten und jede Struktur als signifikant besser bewertet (p<0,001). Die Rekonstruktion mit SEMAR verringerte die Streuung der CT-Werte signifikant (p<0,001). Mittels der Perfusions-CT konnten Tumorrezidive sowohl signifikant von Referenzgewebe, als auch von post-therapeutisch verändertem Gewebe unterschieden werden (p<0,05). Schlussfolgerungen: Computergestützte Verfahren zeigen sich hochwirksam in der Verbesserung der CT-Diagnostik von Kopf-Hals-Tumoren. Im Rahmen dieser Dissertation wurden folgende Konklusionen gezogen: 1. Der BERT-Algorithmus ermöglichte die gezielte Identifikation von Subgruppen aus einer theoretisch unbegrenzt großen Textdatenbank mit minimalem manuellen Aufwand. Praktisch angewandt konnte das Modell im Verlauf CT-Datensätze mit Metallartefakten selektieren. 2. Mittels des SEMAR-Algorithmus wurde durch die Reduktion von Metallartefakten eine hochsignifikante Verbesserung der Bildqualität der CT erreicht. 3. Der Maximum Slope Algorithmus konnte im Rahmen der Perfusions-Computertomographie eingesetzt werden um Kopf-Hals-Tumorrezidive von benignem und post-therapeutisch verändertem Gewebe zu unterscheiden.
Introduction: The diagnosis of recurrent head and neck cancer remains a major challenge. In this thesis, the advantage of various computer-assisted tools in tumor diagnostics and patient selection were investigated. This included the use of a Bidirectional Encoder Representations from Transformers (BERT) for patient selection, the Single Energy Metal Artifact Reduction algorithm (SEMAR) for metal artifacts, and the evaluation of CT tumor perfusion for recurrence diagnostics. Materials and Methods: A special Deep Learning Natural Language model, the From-Scratch Bidirectional Encoder Representations from Transformers (FS-BERT), was programmed in-house and trained on 3.8 million intensive care thoracic findings. This model was compared to three other BERT models. The trained FS-BERT was used to select head and neck CTs with extensive metal artifacts in an automated and time-efficient manner. The issue of image artifact reduction by SEMAR due to metallic dental restorations was further addressed in 154 patients. A study of image quality rated by multiple investigators as well as the evaluation of attenuation values in CTs was performed on certain areas in the head and neck region. In order to evaluate Perfusion CT (PCT) in head and neck cancer detection, 17 patients with recurrences and 63 tumor-free patients were assessed using the maximum slope algorithm. Results: The following findings were identified in chest radiographs using BERT: congestion, opacity, effusion, pneumothorax, thoracic drain, venous catheter, gastric tube, tracheal tube and misplaced medical device. Pooled percent agreement, compared with manual segmentation, reached from 93.7% to 97.0%. Using SEMAR, image quality was rated as significantly better by all investigators for each patient and structure (p<0.001). Reconstruction with SEMAR significantly decreased mean variation of CT values (p<0.001). Using PCT, tumor recurrence was significantly differentiated from both reference tissue and post-therapeutically altered tissue (p<0.05). Conclusions: Computer-assisted tools are shown to be highly effective in improving CT diagnostics of head and neck cancer. In this thesis, the following conclusions were drawn: 1. The BERT algorithm allows the identification of subgroups from a theoretically unlimited text database with minimal manual effort. Further, the model was able to select CT datasets of patients with metal artifacts. 2. Using the SEMAR algorithm, a highly significant improvement in CT image quality is achieved by reducing metal artifacts. 3. The PCT maximum slope algorithm can be used to distinguish head and neck cancer recurrences from benign and post-therapeutically altered tissue.
