Zusammenfassung

Hintergrund: Die Zuverlässigkeit KI-gestützter Analysen in der videofluoroskopischen Schluckuntersuchung (VFSS) hängt maßgeblich von der Bildqualität ab. Artefakte, Unterschiede in Kontrast- und Auflösung zwischen Geräten und Kliniken führen zu erheblichen Variationen in den Bilddaten und erschweren die automatisierte Diagnostik, wie z.B. die Bolussegmentierung. Diese Qualitätsunterschiede können die Robustheit und Generalisierbarkeit von Modellen deutlich beeinträchtigen und damit ihre klinische Anwendbarkeit einschränken. Eine objektive Bewertung der Bildqualität (Image Quality Assessment, IQA) ist daher entscheidend, um reproduzierbare Diagnosen zu gewährleisten.

Material und Methode: Zur Untersuchung der Robustheit von Segmentierungsmodellen gegenüber Artefakten und Qualitätsverschlechterungen wurde ein Datensatz mit 154 VFSS-Videos, einschließlich realer und synthetischer Artefakte, erstellt. Fünf KI Modelle zur Segmentierung wurden mit und ohne Artefakt-Daten trainiert und anhand des Dice Similarity Coefficient (DSC) bewertet [0 – 1; schlecht – gut]. Zur Begrenzung relevanter Bildbereiche verwenden wir eine Architektur, die nur die relevante Region ausschneidet. Die IQA-Modelle IL-NIQE und BRISQUE wurden an VFSS-Bilddaten angepasst und mit subjektiven Qualitätsbewertungen verglichen.

Ergebnisse: Artefaktbasiertes Training erhöhte die Segmentierungsleistung, die anhand des DSC ersichtlich wird bei 0,751 gegenüber eines Scores von 0,681. ROI-Cropping reduzierte die Bildfläche im Mittel um 66%, welche nur noch die relevante Region beinhaltete und führte zu moderaten Leistungssteigerungen bei Artefakt-Daten von 0,7511 genüber einem Wert von 0,7393 bei Training ohne Artefaktbelastete Daten. SegFormer MiT-B3 erzielte mit einem DSC von 0,796 die beste Leistung bei nicht artefaktbelasteten Daten, während U-Net MiT-B4 bei Artefakten am robustesten mit einem DSC von 0,769 war. Das angepasste BRISQUE-VFSS-Modell korrelierte stark mit subjektiven Qualitätsurteilen (r = 0,89) und übertraf bestehende Benchmarks.

Schlussfolgerung: Die Ergebnisse belegen, dass Bildqualität und Resistenz gegenüber Artefakten entscheidende Faktoren für die Verlässlichkeit automatisierter VFSS-Analysen sind. Artefaktbasiertes Training und ROI-Cropping verbessern die Robustheit der Bolussegmentierung, während angepasste IQA-Modelle eine objektive Bewertung der Bildqualität ermöglichen, welche für eine Einsetzbarkeit zur standardisierten und klinisch nutzbaren Dysphagiediagnostik entscheidend sind.

Text

Hintergrund

Die videofluoroskopische Schluckuntersuchung (VFSS) ist ein Standardverfahren zur Diagnostik von Dysphagien. KI-basierte Segmentierungsmodelle können den Bolus in VFSS-Aufnahmen automatisch erkennen und damit die Analyse des Schluckvorgangs unterstützen [1], [2], [3]. Die Leistung dieser Modelle kann jedoch durch Unterschiede in der Bildqualität beeinflusst werden. In der klinischen Praxis entstehen solche Unterschiede durch verschiedene Geräte, Kliniken und Aufnahmebedingungen. Zusätzlich können patientenbezogene Faktoren, wie Wirbelsäulenimplantate, Tracheostoma oder nasogastrale Sonde, sowie technische Artefakte, wie Bewegungsunschärfe, Kompression, Rauschen oder Helligkeitsschwankungen, die Bildqualität beeinflussen. Eine objektive Bewertung der Bildqualität (Image Quality Assessment, IQA) ist daher wichtig, um die klinische Anwendbarkeit KI-gestützter VFSS-Analysen beurteilen zu können. Ziel dieser Arbeit war es, erstens die Robustheit von Segmentierungsmodellen gegenüber Bildartefakten systematisch zu untersuchen und zu verbessern, und zweitens automatisierte IQA-Modelle für VFSS zu entwickeln und zu validieren.

Material und Methoden

Es wurden 154 VFSS-Aufnahmen aus einem Datensatz der Louisiana State University (LSU) verwendet. Davon enthielten 100 Videos keine sichtbaren Artefakte und 54 Videos relevante Artefakte, darunter Wirbelsäulenimplantate, Tracheostoma, nasogastrale Sonde und Bewegungsunschärfe. Zusätzlich wurden synthetische Artefakte erzeugt, darunter Helligkeits- und Kontraständerungen, Gaußsches und Poisson-Rauschen, Downsampling, JPEG-Kompression und Bewegungsunschärfe. Aus diesen Daten wurden ein Datensatz für die Bolus-Segmentierung und ein Datensatz für die Bildqualitätsanalyse erstellt.

Auf Basis des Segmentierungsdatensatzes wurden fünf KI-Segmentierungsarchitekturen mit unterschiedlicher Komplexität verglichen. Jedes Modell wurde auf zwei Arten trainiert: einmal nur mit artefaktfreien Daten und einmal mit einem gemischten Datensatz aus realen und synthetischen Artefakten. Als Bewertungsmetrik wurde der Dice Similarity Coefficient verwendet (DSC, Wertebereich 0–1; 0 = keine Übereinstimmung, 1 = perfekte Übereinstimmung). Zusätzlich wurde ein Region-of-Interest-Cropping vorgeschaltet, um nicht relevante Bildbereiche zu entfernen und die Analyse auf die diagnostisch relevante Region zu beschränken.

Die Bewertung der Bildqualität basierte auf den No-Reference-IQA-Algorithmen IL-NIQE und BRISQUE, die an VFSS-spezifische Bildeigenschaften angepasst wurden. Zur Validierung bewerteten sechs Logopädinnen 500 VFSS-Bilder auf einer fünfstufigen Skala (1 = schlecht, 5 = exzellent). Die Bilder enthielten sowohl reale als auch synthetisch degradierte Aufnahmen. Die Übereinstimmung zwischen Modellvorhersagen und mittleren Expertenurteilen wurde mit dem Pearson-Korrelationskoeffizienten (r) berechnet.

Ergebnisse

Tabelle 1 [Tab. 1] fasst die zentralen Ergebnisse der Robustheitstests zusammen. Modelle, die nur mit artefaktfreien Daten trainiert wurden, zeigten bei artefaktbelasteten Testvideos einen Leistungsabfall. Der DSC sank von 0,80 bei artefaktfreien Testdaten auf 0,68 bei artefaktbelasteten Testdaten. Durch das Einbeziehen von Artefaktdaten in das Training konnte die Leistung bei artefaktbelasteten Videos auf einen DSC von 0,75 verbessert werden.

Die Robustheit gegenüber Helligkeitsänderungen und anderen synthetischen Degradierungen unterschied sich zwischen den Architekturen. SegFormer MiT-B3 erreichte bei artefaktfreien Daten den höchsten DSC (0,796). U-Net MiT-B4 zeigte bei artefaktbelasteten Daten die beste Robustheit (DSC: 0,769). Bei moderater Bilddegradierung blieben die Segmentierungsergebnisse weitgehend stabil. Bei starker Degradierung nahm die Segmentierungsleistung ab. Das ROI-Cropping reduzierte zusätzlich die analysierte Bildfläche im Mittel um 66% und führte zu moderaten Verbesserungen bei artefaktbelasteten Daten. Neben der Segmentierungsrobustheit wurde auch die automatische Bewertung der Bildqualität untersucht.

Das an VFSS-Bilder angepasste BRISQUE-Modell (BRISQUE-VFSS) erreichte eine Pearson-Korrelation von r = 0,89 mit den mittleren Expertenurteilen der sechs Logopädinnen. Die binäre Klassifikationsgüte für gute und schlechte Bildqualität lag bei 0,90. Die Ergebnisse zeigen, dass BRISQUE-VFSS für eine automatisierte Bildqualitätskontrolle in VFSS-Aufnahmen geeignet ist.

Diskussion

KI-Segmentierungsmodelle für VFSS waren ohne gezieltes Training mit artefaktbelasteten Daten nur eingeschränkt robust gegenüber klinisch relevanten Bildstörungen. Der Leistungsabfall bei artefaktbelasteten Testdaten (ΔDSC = -0,12) weist darauf hin, dass eine Evaluation ausschließlich auf artefaktfreien Daten die klinische Übertragbarkeit überschätzen kann. Zudem hatte die Wahl der Modellarchitektur einen Einfluss auf die Robustheit. Ergänzend dazu zeigte die IQA-Analyse, dass BRISQUE an VFSS-Bilder angepasst werden kann.

Die Anpassung von BRISQUE an VFSS-Bilder ermöglicht eine automatisierte Bildqualitätsbewertung. Ein solcher Qualitätsfilter kann die Datenselektion unterstützen und in Auswertungspipelines eingesetzt werden, um Bilder mit unzureichender Qualität vor der Analyse auszuschließen. Dies ist besonders relevant für multizentrische Studien und für die Vergleichbarkeit von Ergebnissen zwischen Kliniken.

Fazit

Die Ergebnisse unterstreichen die Bedeutung von Bildqualität und Artefaktrobustheit für KI-gestützte VFSS-Analysen. Das Training mit artefaktbelasteten Daten verbesserte die Segmentierungsleistung auf artefaktbelasteten Testdaten, ohne die Leistung auf artefaktfreien Daten zu verschlechtern. Die angepassten IQA-Modelle ermöglichten zudem eine objektive Bewertung der Bildqualität. Die Aussagekraft der Ergebnisse ist jedoch durch den verwendeten Datensatz begrenzt. Daher sollten zukünftige Arbeiten die Trainingsdaten weiter diversifizieren und die Modelle in multizentrischen Datensätzen validieren.

Literatur

[1] Zeng C, Yang X, Smithard D, Mirmehdi M, Gambaruto AM, Burghardt T. Video-SwinUNet: Spatio-temporal deep learning framework for VFSS instance segmentation. In: 2023 IEEE International Conference on Image Processing (ICIP). 2023:2470-4. DOI: 10.1109/ICIP49359.2023.10222212
[2] Park D, Kim Y, Kang H, Lee J, Choi J, Kim T, et al. PECI-Net: Bolus segmentation from video fluoroscopic swallowing study images using preprocessing ensemble and cascaded inference. Comput Biol Med. 2024 Apr;172:108241. DOI: 10.1016/j.compbiomed.2024.108241
[3] Bandini A, Smaoui S, Steele CM. Automated pharyngeal phase detection and bolus localization in videofluoroscopic swallowing study: Killing two birds with one stone? Comput Methods Programs Biomed. 2022;225:107058. DOI: 10.1016/j.cmpb.2022.107058
[4] Ariji Y, Gotoh M, Fukuda M, Watanabe S, Nagao T, Katsumata A, et al. A preliminary deep learning study on automatic segmentation of contrast-enhanced bolus in videofluorography of swallowing. Sci Rep. 2022 Nov 5;12(1):18754. DOI: 10.1038/s41598-022-21530-8
[5] Kim JK, Choo YJ, Choi GS, Shin H, Chang MC, Park D. Deep learning analysis to automatically detect the presence of penetration or aspiration in videofluoroscopic swallowing study. J Korean Med Sci. 2022 Feb 14;37(6):e42. DOI: 10.3346/jkms.2022.37.e42
[6] Li W, Mao S, Mahoney AS, Petkovic S, Coyle JL, Sejdi? E. Deep learning models for bolus segmentation in videofluoroscopic swallow studies. J Real-Time Image Process. 2024;21:18. DOI: 10.1007/s11554-023-01398-1