Endoskopische Operationen

Ungetrübte Sicht bei endoskopischen Operationen

Bei Operationen kommt es oft zu unerwünschter Rauchentwicklung, und diese verhindert ein Weiteroperieren der Chirurgen. Ein Team von ForscherInnen am Institut für  Informationstechnologie beschäftigt sich mit der Entwicklung von Echtzeit-Raucherkennungssystemen in Zusammenarbeit mit ÄrztInnen und dem Medizinunternehmen Karl Storz.

Der Fortschritt in medizinischer Forschung erlaubt es heute, viele Operationen in Form von minimal-invasiven Eingriffen vorzunehmen. Dabei werden mittels digitaler Minikamera am Endoskop Bilder vom Inneren des Menschen auf einen Bildschirm nach außen übertragen. Bei diesen Operationen kommt es zur Rauchentwicklung, wenn beispielsweise anhand elektronisch erhitzter Instrumente oder Laser Gewebe schonend zertrennt, verschorft oder Blutungen gestillt werden müssen. Diese Geräte erzeugen unter bestimmten Umständen so viel Rauch, sodass die Bildqualität der nach außen übertragenen Aufnahmen deutlich verschlechtert wird. Dann setzen bei diesen chirurgischen Verfahren Rauchabzugssysteme ein, die oft noch manuell vom medizinischen Personal per Fußtaster oder über hochspezialisierte Sensoren aktiviert werden. Die chirurgische Rauchwolke beinhaltet potenziell schädliche Substanzen wie Toxine, Viren, Bakterien oder Feinstaub, die ein Gesundheitsrisiko sowohl für das medizinische Personal als auch für die PatientInnen darstellen.

Andreas Leibetseder arbeitet gemeinsam mit seinen Kollegen daran, dass mittels Bildanalyse automatisch und in Echtzeit erkannt wird, wann Rauch entsteht. „Wir haben 30.000 benutzerdefinierte laparoskopische Bilder analysiert und als Trainingsdaten für maschinelles Lernen verwendet“, sagt Leibetseder. Die Forschungsgruppe arbeitet hier eng mit Jörg Keckstein, Gynäkologe am LKH Villach, zusammen und konzentriert sich auf endoskopische Operationen in der Gynäkologie, insbesondere bei der Behandlung Endometriose. Hinter allem steht das Ziel, eine zuverlässige Raucherkennung in laparoskopischen Livestreams zu erkennen.

Die Herausforderung besteht darin, den Computer so zu trainieren, dass dieser erkennt, ob es sich um Rauch- oder Nicht- Rauch-Bilder handelt und diese entsprechend zuordnet. Leibetseder weiter: „Zum Schluss hat man ein Modell, das auf Bilder angewendet werden kann, die der Computer noch nicht kennt.“ Die Analyse der 30.000 Bilder diente dazu, das System zu trainieren und einen Prototyp zu entwickeln. In weiterer Folge kann das System mit der Rauchabzugsanlage verknüpft und bei Rauchentwicklung automatisch gestartet werden. Dafür müsste eine eigene Hardware in Zusammenarbeit mit dem Kooperationspartner, dem Medizinunternehmen Karl Storz, entwickelt werden, führt der Forscher weiter aus.

In einem weiteren Schritt wurde in einer Studie ein Datensatz von über 100.000 Bildern verwendet. Leibetseder: „Wir entwickelten eine andere Methode, um Rauch von Nicht-Rauch-Bilder zu unterscheiden, die sich auf die Analyse von Farbkomponenten bezieht.“ Bilder, die ein hohes Maß an Rauch beinhalten, weisen eine niedrige Bildsättigung auf, daher kann diese als guter Indikator für den Erkennungsprozess herangezogen werden.

Auf die Frage hin, welche Methode am zuverlässigsten und in Echtzeit Rauch- von Nicht-Rauch-Bilder unterscheide, meint Leibetseder: „Beide Methoden haben ihre Vorteile. Die Sättigungsanalyse zeigt eine gute Klassifizierung und Echtzeit, das Lernen ist jedoch qualitativ besser.“

für ad astra: Lydia Krömer

 

Zur Person

Andreas Leibetseder ist Wissenschaftler am Institut für Informationstechnologie und forscht gemeinsam mit Manfred Jürgen Primus, Stefan Petscharnig und Klaus Schöffmann am Projekt KISMET (Knowledge & Information Sharing in Medical Expert Teams).
https://visurge.wp.itec.aau.at/projects/kismet/

Andreas Leibetseder | Foto: aau/KK