Die vorliegende Arbeit befasst sich mit der automatisierten Erkennung und Positionskontrolle von vier spezifischen Arten von Therapiehilfen (Endotrachealtubus bzw. Trachealkanüle, verschiedene Arten von Kathetern, Thoraxdrainagen und Magensonden) in Röntgenthorax Bildern unter Verwendung von tiefen neuronalen Netzwerken. Durch den Einsatz von Segmentationsmodellen und dem Self-Aware-Mechanismus soll die röntgenbasierte Positionskontrolle dieser Therapiehilfen, die in der Intensiv- und Notfallmedizin eine zentrale Rolle spielen, optimiert und automatisiert werden. Dabei werden die Herausforderungen der Positionierung in der klinischen Praxis adressiert, die aufgrund der kritischen Bedeutung der korrekten Positionierung für die Patientensicherheit und Therapieeffizienz von hoher Relevanz sind. Zunächst wurden drei verschiedene methodische Ansätze zur Segmentierung von Therapiehilfen untersucht, die sich in der Komplexität und Spezialisierung der verwendeten Modelle unterscheiden. Dabei zeigte sich, dass der Ansatz mit spezialisierten Modellen für jede Art von Therapiehilfe (Ansatz II) die besten Ergebnisse liefert. Die Evaluierung der Modelle basierte auf den Klassifikationsmetriken AUROC, Sensitivität, Spezifität, Genauigkeit und balancierte Genauigkeit sowie den Segmentierungsmetriken Dice und Dice+, letztere wurde speziell für diese Arbeit entwickelt. Insbesondere die SegResNet-Architektur zeichnete sich durch eine überlegene Segmentationsleistung aus. Ein weiterer Schwerpunkt war die Entwicklung und Evaluierung des Self-Aware-Mechanismus (SA), der in fast allen Szenarien zu einer Verbesserung der Segmentationsleistung führte. Dieser Mechanismus ermöglicht es dem Modell, seine eigenen Vorhersagen zu überprüfen und zu verfeinern, was insbesondere bei der Endpunktverfeinerung und dem Auffüllen oder Verbinden unvollständiger Segmente von Vorteil ist. Die Untersuchung des Einflusses von Trainingsdatenmenge und Bildauflösung auf die Segmentationsleistung ergab, dass sowohl eine größere Datenmenge als auch eine höhere Bildauflösung zu besseren Ergebnissen führen, wobei die Verbesserungen mit zunehmender Datenmenge bzw. Auflösung einem abnehmenden Grenznutzen folgen. Das Ergebnis der Arbeit ist, dass durch den Einsatz von Deep Learning und insbesondere des Self Aware-Mechanismus eine deutliche Leistungssteigerung in der automatisierten Detektion und Positionskontrolle von Therapiehilfen im Röntgenthorax erreicht werden kann. Diese Erkenntnisse bieten wertvolle Ansatzpunkte für die Weiterentwicklung automatisierter Systeme in der medizinischen Bildverarbeitung mit dem Potenzial, die Effizienz und Genauigkeit von automatisierten Kontrollsystemen in der klinischen Praxis signifikant zu verbessern.
The present work addresses the automated detection and position control of four specific types of therapeutic aids (endotracheal tube or tracheal cannula, various types of catheters, chest drains and gastric tubes) in X-ray chest images using deep neural networks. By using segmentation models and the self-aware mechanism, the X-ray-based position control of these therapeutic aids, which play a central role in intensive care and emergency medicine, is to be optimized and automated. The challenges of positioning in clinical practice are addressed, which are highly relevant due to the critical importance of correct positioning for patient safety and therapy efficiency. The study initially examined three different methodological approaches to the segmentation of therapeutic aids, which differ in the complexity and specialization of the models used. This showed that the approach with specialized models for each type of therapy aid therapy aid (approach II) delivers the best results. The evaluation of the models was based on the classification metrics AUROC, sensitivity, specificity, accuracy and balanced accuracy as well as the segmentation metrics Dice and Dice+, the latter developed specifically for this work. The SegResNet architecture in particular was characterized by superior segmentation performance. Another focus was the development and evaluation of the self-aware (SA) mechanism, which led to an improvement in segmentation performance in almost all scenarios. This mechanism allows the model to check and refine its own predictions, which is particularly useful for endpoint refinement and filling or joining incomplete segments. The investigation of the influence of training data volume and image resolution on segmentation performance showed that both a larger data quantity and a higher image resolution lead to better results, with the improvements following a decreasing marginal benefit with increasing data quantity or resolution. The present work shows that the use of deep learning and in particular the self-aware mechanism can achieve a significant increase in performance in the automated detection and position control of therapeutic aids in X-ray chest radiographs. These findings offer valuable starting points for the further development of automated systems in medical image processing with the potential to significantly improve the efficiency and accuracy of automated control systems in clinical practice.
