Verfahren und Einrichtung zur Untersuchung eines Hohlorgans mit einer magnetgeführten Endoskopkapsel

Die Erfindung bezieht sich auf ein Verfahren und eine Einrichtung zur Untersuchung eines Hohlorgans mit einer magnetgeführten Endoskopkapsel. Zur optischen Untersuchung der Innenoberfläche eines im Körper eines Lebewesens befindlichen Hohlorgans, beispielsweise des Magen-Darmtraktes eines Patienten, ist es beispielsweise aus der DE 101 42 253 Cl bekannt, in das Hohlorgan eine Endo ^¬ skopkapsel, bei der Untersuchung des Magen-Darmtraktes bei- spielsweise durch Schlucken einzubringen, die ohne feste Verbindung nach außen im Hohlorgan durch externe Magnetfelder frei manövrierbar ist.

Bei einer solchen endoskopischen Untersuchung (magnetgeführte Kapselendoskopie) muss der die Diagnose durchführende Arzt eine Vielzahl von in kurzen Zeitabständen aufeinanderfolgenden Bildern einerseits hinsichtlich gegebenenfalls vorhande ^¬ ner diagnostisch relevanter Bildinhalte, andererseits auch im Hinblick auf eine korrekte Steuerung der Endoskopkapsel ver- arbeiten. Allein die Steuerung der Endoskopkapsel erfordert jedoch ein hohes Maß an Aufmerksamkeit, so dass grundsätzlich das Risiko besteht, dass der die Untersuchung durchführende Arzt diagnostisch relevante Details übersieht. Zwar ist es bei der passiven Kapselendoskopie grundsätzlich bekannt, das vorhandene Bildmaterial nachträglich einer digi ^¬ talen Bildverarbeitung zu unterziehen, um auf diese Weise mit Methoden der computerunterstützten Diagnose (CAD) Verfahren zur Verfügung zu stellen, mit denen es möglich ist, klinisch relevante pathologische Strukturen automatisch zu erkennen und auf diese Weise dem untersuchenden Arzt die Auswertung zu erleichtern . Eine solche nachträgliche automatisierte Auswertung würde je ^¬ doch auch bei der magnetgeführten Kapselendoskopie auf der Grundlage des verfügbaren Videomaterials erfolgen, so dass nach wie vor das Risiko besteht, dass pathologische Erschei- nungsformen nicht oder nur undeutlich auf den Videobildern wiedergegeben werden, da diese von der Endoskopkapsel nicht oder nur undeutlich erfasst worden sind, weil der untersuchende Arzt die diagnostische Relevanz während der Untersu ^¬ chung nicht erkannt und bei der Steuerung der magnetgeführten Endoskopkapsel nicht entsprechend berücksichtigt hat.

Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zur Untersuchung eines Hohlorgans mit einer magnetgeführten Endoskopkapsel anzugeben, mit dem die Wahrscheinlichkeit, mit der pathologische Strukturen in Hohlorgan erkannt werden können, erhöht und dementsprechend die Wahrscheinlichkeit einer falsch-negativen oder falsch-positiven Diagnose verringert ist. Außerdem liegt der Erfindung die Aufgabe zugrunde, eine nach diesem Verfahren betriebene Einrichtung anzugeben.

Die genannte Aufgabe wird gemäß der Erfindung gelöst, mit ei ^¬ nem Verfahren mit den Merkmalen des Patentanspruches 1. Gemäß diesen Merkmalen werden die aus dem Inneren des Hohlorgans fortlaufend mit der magnetgeführten Endoskopkapsel erzeugten Videobilder während der Navigation der Endoskopkapsel im

Hohlraum mit Methoden der digitalen Bildverarbeitung automatisch auf das Vorhandensein diagnostisch relevanter Information analysiert, und es wird das Ergebnis der Analyse, d.h. eine Aussage darüber, ob die Videobilder eine diagnostisch relevante, d.h. auf ein Krankheitsbild hinweisende Informati ^¬ on enthalten oder nicht, zur Steuerung der Endoskopkapsel herangezogen. Die Analyse umfasst dabei die folgenden weiteren Schritte :

a) aus den Videobildern wird zum Lokalisieren von hohen In- tensitätsgradienten durch Vorbearbeitung jeweils ein Grauwertbild erzeugt, dessen Bildpunkten jeweils ein Grauwert zugeordnet wird, b) aus dem Grauwertbild wird durch Glättung und Kantenfilte ^¬ rung ein gefiltertes Bild erzeugt, dessen Bildpunkten ein Filterwert zugeordnet ist,

c) aus den Filterwerten der Bildpunkte des gefilterten Bildes wird ein Schwellwert abgeleitet,

d) das Videobild wird in eine Vielzahl von disjunkten Gruppen aufgeteilt, die jeweils eine Vielzahl von Bildpunkten um ^¬ fassen,

e) aus diesen Gruppen werden als relevante Gruppen diejenigen Gruppen ausgewählt, die im gefilterten Bild eine Mindest ^¬ anzahl von Bildpunkten enthalten, die den Schwellwert überschreiten,

f) jeder relevanten Gruppe wird eine Vielzahl von Eigenschaf ^¬ ten zugeordnet, anhand derer mit einem mit einer Vielzahl von bewerteten Testbildern trainierten Expertensystem während der Navigation automatisch analysiert wird, ob die relevante Gruppe einen diagnostisch relevanten Bereich indiziert oder nicht.

Durch diese Maßnahmen wird die Anzahl der zur Analyse benötigten Bildpunkte auf ein Maß reduziert, das eine automati ^¬ sierte Analyse während der Untersuchung (on-the-fly) ermög ^¬ licht .

Die auf ein Krankheitsbild hinweisende, d.h. diagnostisch re ^¬ levante Information kann beispielsweise direkt aus einer im Videobild erkennbaren pathologischen Veränderung an der Wand des Hohlorgans oder indirekt aus den Opazitätseigenschaften der im Hohlorgan befindlichen Flüssigkeit abgeleitet werden, da sich bestimmte Krankheitsbilder auch durch lokal variierende Trübung oder Färbung der Flüssigkeit oder durch das Vorhandensein von Partikeln in der Flüssigkeit bemerkbar machen. Das Verfahren ist besonders geeignet zum Erkennen einer akuten Gastritis (Magenschleimhautentzündung) . Das Erkennen einer solchen Gastritis ist von besonderem Interesse, da die ^¬ se eine der Hauptursachen für das Auftreten von Magenkrebs ist. Vorzugsweise besteht deshalb die diagnostische relevante Information in dem Vorhandensein von Bereichen an der Wand des Hohlorgans, die eine mögliche Gastritis indizieren.

Die Erfindung beruht dabei auf der Überlegung, dass das Erkennen diagnostisch relevanter Bereiche der Wand oder diagnostisch relevanter Eigenschaften der Flüssigkeit, in der die Endoskopkapsel schwimmt, während der Untersuchung dazu benutzt werden kann, die Endoskopkapsel, d. h. deren Bewegung und Ausrichtung innerhalb des Hohlorgans zu steuern, um den als möglicherweise pathologisch identifizierten Wandbereich des Hohlorgans oder die in der Flüssigkeit selbst entdeckten Unregelmäßigkeiten einer ausführlicheren endoskopischen Untersuchung zu unterziehen, indem beispielsweise die Endoskop ^¬ kapsel angehalten wird und näher an den betreffenden Oberflächenbereich herangefahren wird, um dem Arzt eine genauere Betrachtung zu ermöglichen. Dies kann beispielsweise eine höhe ^¬ re Vergrößerung oder eine Betrachtung aus unterschiedlichen Winkeln sein, die ihm eine bessere Beurteilung ermöglicht, ob es sich tatsächlich um einen gastritischen Bereich handelt oder nicht. Beim Erkennen einer diagnostisch relevanten Veränderung der Flüssigkeit kann beispielsweise die Endoskopkap ^¬ sel gedreht werden, um die Eigenschaften der Flüssigkeit in unterschiedlichen Richtungen näher zu analysieren, um beispielsweise die Ursache der Veränderung, beispielsweise der Ort an der Wand, an dem eine Ablösung von Partikeln stattfindet, lokalisieren zu können, so dass dieser näher untersucht werden kann.

Diese Steuerung kann entweder automatisiert erfolgen oder vom Arzt manuell durchgeführt werden, wenn ihm bei der Betrach ^¬ tung der Videobilder am Monitor optisch oder visuell ein derartiger Hinweis auf das mögliche Vorhandensein einer patholo ^¬ gischen Veränderung angezeigt wird.

Hinsichtlich der Einrichtung wird die Aufgabe gemäß der Erfindung gelöst mit einer Einrichtung mit den Merkmalen des Patentanspruches 4. Ein Verfahren mit den vorstehend genannten Verfahrensschrit ^¬ ten a) bis f) eignet sich insbesondere zum Erzeugen der für die automatisierte Analyse erforderlichen bewerteten Testbil ^¬ der, indem die mit diesen Verfahrensschritten aus einem Videobild erzeugten relevanten Gruppen manuell als diagnostisch relevant oder diagnostisch irrelevant klassifiziert, d. h. von einem menschlichen Experten betrachtet und bewertet werden .

Zur weiteren Erläuterung der Erfindung wird auf die Figuren verwiesen. Es zeigen:

Fig. 1 eine Einrichtung gemäß der Erfindung in einer schematischen Prinzipdarstellung,

Fig. 2a, b ein Flussdiagramm, in dem der Ablauf der automatischen Analyse der von der Endoskopkapsel bereitgestellten Videobilder dargestellt ist,

Figuren 3 und 4 jeweils ebenfalls schematisch vereinfacht Bilder vom Inneren eines Magens mit unterschiedlichen pathologischen Erscheinungsformen innerhalb einer im Magen befindlichen Flüssigkeit.

Gemäß Figur 1 befindet sich eine magnetgeführte Endoskopkap ^¬ sel 2 in einem mit einer Flüssigkeit 4 gefüllten Hohlorgan 6, beispielsweise einem Magen. Mit zumindest einer in der Endo ^¬ skopkapsel 2 angeordneten Videokamera 8 werden fortlaufend Videobilder aufgenommen und über Funk an eine externe Steuer- und Auswerteeinrichtung 10 übermittelt. In der Endoskopkapsel 2 ist ein Permanentmagnet 12 angeordnet. Die Führung, d.h. die Bewegung und Ausrichtung der Endoskopkapsel 2 erfolgt mit Hilfe eines inhomogenen Magnetfeldes H, das von einem externen Magnetsystem 14 erzeugt wird, das beispielsweise drei Magnetspulen umfasst, deren Spulenachsen senkrecht zueinander orientiert sind und ein Gerätebezugssystem xyz festlegen. Im dargestellten Beispiel befindet sich im Gesichtsfeld 16 der Videokamera an der Wand 18 des Hohlorgans eine pathologi ^¬ sche Struktur 20, beispielsweise eine lokale Entzündung

(gastritischer Bereich) . Die von der Videokamera 8 aufgenom- menen und an die Steuer- und Auswerteeinrichtung 10 übermittelten Videobilder werden auf einem Monitor 22 wiedergegeben. Die pathologische Struktur 20 ist auf dem Monitor 22 zu erkennen und durch Schraffur hervorgehoben. Das Magnetsystem 14 wird mit Hilfe von Steuersignalen S gesteuert, die von der Steuer- und Auswerteeinrichtung 10 entweder automatisch oder durch Eingaben eines Benutzers über eine externe Eingabeeinheit 24, im Beispiel veranschaulicht durch einen Joystick, generiert werden.

In der Steuer- und Auswerteeinheit 10 sind Bildverarbeitungs ^¬ algorithmen implementiert, mit denen es möglich ist, patholo ^¬ gische Strukturen 20 automatisch zu erkennen und im Videobild zu markieren, wie dies durch die Schraffur angedeutet ist. Darüber hinaus können noch weitere optische oder akustische Anzeigen, in der Fig. 1 durch einen Lautsprecher 26 symbolisiert, vorgesehen sein, die den Bediener auf das Vorhandensein einer von der Steuer- und Auswerteeinheit 10 als patho ^¬ logisch klassifizierten Struktur 20 hinweisen, um diesen die Möglichkeit zu verschaffen, diese möglicherweise pathologi ^¬ sche Struktur 20 näher zu untersuchen, indem er beispielsweise die Endoskopkapsel 2 anhält oder näher an die Struktur 20 heranfährt, um sicherer beurteilen zu können, ob es sich tatsächlich um eine pathologische Erscheinung handelt oder nicht.

Die in der Steuer- und Auswerteeinheit 10 erfolgende Bildver ^¬ arbeitung und Bildauswertung ist in Figuren 2a und b anhand eines Flussdiagrammes veranschaulicht. In einem ersten

Schritt 30 wird das originale farbige Videobild 0 = v(x,y) gespeichert, wobei jedem Bildpunkt x,y ein dreikanaliger RGB- Wert v zugeordnet ist. Für die weitere Verarbeitung wird nun in einem nächsten Schritt 32 aus diesem Videobild 0 = v(x,y) ein Grauwertbild G = g(x,y) berechnet, wobei jedem Bildpunkt x, y ein Grauwert g auf einer beispielsweise 256 Grauwerte um ^¬ fassenden Skala zugeordnet ist. Grundlage hierfür ist die Überlegung, dass im Übergangsbereich zwischen einer patholo- gischen Struktur, beispielsweise ein gastritischer Bereich, und der an diese angrenzenden nicht-pathologischen Struktur, beispielsweise ein nicht-gastritischer Bereich ausgeprägte Intensitätswechsel vorliegen, die sich auch im einkanaligen Grauwertbild G wiederfinden. In diesem Grauwertbild G können dann hohe Intensitätsgradienten mit 2D-Filtern beispielsweise nach vorhergehender Glättung mit einem Kantenfilter lokalisiert werden. Das Grauwertbild G wird dementsprechend in Schritt 34 mit einem Filterkern K gefaltet, der vorzugsweise selbst eine Faltung aus einem Gauß-Filter und einem Laplace- filter ist (ein sogenannter L (aplacian) o ( f) G (Gaussian) -

Filter) , um Regionen mit stark ausgeprägten Kanten, an denen sich die Intensität mit hoher Ortsfrequenz ändert, hervorzu ^¬ heben. Auf diese Weise entsteht ein gefiltertes Bild F = GxK = f(x,y), bei dem jedem Bildpunkt x,y ein Filterwert f zuge- ordnet ist. Die Anzahl der Spalten bzw. Reihen des verwendeten Filterkerns entspricht dabei in etwa der Anzahl der Bild ^¬ punkte (Pixel), die sich in einer die Kante bildenden Über ^¬ gangszone zwischen einem entzündeten Bereich und einem gesunden Bereich befinden. In der Praxis hat sich dabei ein Filter mit 9x9=81 Matrixelementen mit einer Varianz σ = 1,4 bewährt.

In diesem gefilterten Bild F = f(x,y) wird nun im Schritt 36 nach einem ersten Schwellwert t _F gesucht, mit dessen Hilfe relevante Amplitudenänderungen von nicht relevanten Amplitu- denänderungen getrennt werden können. Da sich die erzeugten Videobilder hinsichtlich ihres Kontrastes und der Beleuchtungsbedingungen erheblich voneinander unterscheiden, ist hierzu ein fest vorgegebener Schwellwert ungeeignet. Zur Be ^¬ stimmung des ersten Schwellwertes t _F wird deshalb für jedes gefilterte Bild F = f(x,y) ein Histogramm mit beispielsweise 256 gleichgroßen Intervallen gebildet, dessen untere Grenze durch den minimalen Filterwert und dessen oberen Grenze durch den maximalen Filterwert gebildet ist. Hierzu wird im Histogramm analysiert, in welchem Intervall ein Viertel des maximalen Filterwertes unterschritten wird. Die untere Grenze dieses Intervalls legt den ersten Schwellwert fest. Mit dem auf diese Weise festgelegten Schwellwert t _F wird eine Maske oder ein Binärbild B = B(x,y) gebildet, in dem denjenigen

Bildpunkten x,y der Wert b = 1 zugeordnet wird, deren Filterwert f im gefilterten Bild F = f(x,y) größer als der Schwellwert t _F ist. Den übrigen Bildpunkten x,y wird der Wert b = 0 zugeordnet .

In einem nächsten Schritt 38 wird nun das Binärbild B = b(x,y) in eine Mehrzahl i=l,...,n von disjunkten Gruppen (Bins) bini(x,y) aufgeteilt, die jeweils eine Mehrzahl von Bildpunkten x,y umfassen, wobei die Gesamtheit der Gruppen bini(x,y) das gesamte Bild abdecken. Im Beispiel werden Gruppen bini(x,y) aus jeweils 15x15 Bildpunkten gebildet. Diese Gruppen bini(x,y) werden nun in einem nächsten Schritt 40 dahingehend analysiert, wie viele der Bildpunkte x,y des Binär ^¬ bildes B = b(x,y) innerhalb einer solchen Gruppe bini(x,y) den Wert b = 1 aufweisen, d. h. es wird die Anzahl N _± der innerhalb der Gruppe bini(x,y) vorhandenen Bildpunkte x,y be ^¬ stimmt, deren Wert b im Binärbild B = b(x,y) gleich 1 ist. Für die weitere Bearbeitung werden nur diejenigen Gruppen bini(x,y) berücksichtigt, in denen die Anzahl N _± solcher Bildpunkte x,y größer als ein Minimalwert N ₀ ist, der im Bei ^¬ spiel mit 10 angesetzt ist. Mit anderen Worten: Wenigstens 10 der 225 Bildpunkte x,y einer Gruppe bini(x,y) müssen im Binärbild B = b(x,y) den Wert b = 1 bzw. im gefilterten Bild F = f(x,y) einen Filterwert f aufweisen, der den Schwellwert t _F überschreitet.

Diese Vorgehensweise beruht auf der Überlegung, dass sowohl schnelle Intensitätsänderungen im Bild, wie sie beispielswei ^¬ se bei einer gastritischen Läsion auftreten, als auch

hochfrequentes Rauschen zu einer Häufung von Filterantworten mit großen Amplitudenänderungen führen, wobei letztere jedoch nur isoliert und mit kleiner Anzahl auftreten. Auf diese Wei ^¬ se verbleiben gemäß Schritt 42 relevante Gruppen bi- ni,r _e i (χ^ y) _/ die im Origmalbild diejenigen Bereiche markie ^¬ ren, die der weiteren Analyse unterzogen werden.

In einem nächsten Schritt 44 wird auf die Original-Bilddaten v(x,y) des Videobildes 0 dieser relevanten Gruppen

bin _iire i (x, y) , d.h. die originalen RGB-Werte der einzelnen verbliebenen relevanten Bildpunkte x,y zurückgegriffen. Die Original-Bilddaten v jeder relevanten Gruppe bin _iire i (x, y) werden nun in Schritt 46 hinsichtlich einer Vielzahl von Eigenschaften analysiert. Dies sind im vorliegenden Fall Farb ^¬ eigenschaften, Eigenschaften des Farbhistogramms, Farbstruktureigenschaften, Textureigenschaften und Filtereigenschaften. Ein Beispiel für Farbeigenschaften ist der Mittelwert und der Maximalwert für jeden Kanal des RGB-Farbraumes inner ^¬ halb einer solchen Gruppe bin _iire i (x, y) . Zusätzlich werden Farbhistogramme für den R-Kanal im RGB-Farbraum, den dritten Kanal im HSV-Farbraum und dem L-Kanal des Lab-Farbraumes ge ^¬ bildet .

Die Farbstruktureigenschaften dienen dazu, zwischen der quantitativen und räumlichen Verteilung von Farbeigenschaften innerhalb einer Gruppe bin _iire i (x, y) zu unterscheiden. Hierzu werden die Gruppen bin _iire i (x, y) jeweils in Untergruppen unterteilt. Im Ausführungsbeispiel werden in jeder der Gruppen bin _iire i (x, y) 25 Untergruppen zu je 3 x 3 Bildpunkten gebildet. Nunmehr wird in fünf Farbkanälen (RGB-Farbraum: R, G, B; Lab-Farbraum: L; HSV-Farbraum: V) das Auftreten einer speziellen Farbeigenschaft detektiert. Als Merkmal wird dann die Häufigkeit des Auftretens einer bestimmten Farbeigenschaft in einem dieser Kanäle innerhalb der Untergruppe aufgenommen.

Zum Untersuchen der Textureigenschaften innerhalb einer jeden relevanten Gruppe bin _iire i (x, y) wird außerdem auf die in dieser Gruppe vorliegenden Grauwerte g des ungefilterten Grauwertbildes G zurückgegriffen und ein sogenanntes difference- of-boxes-Filter angewandt, dessen Filterantwort hohe negative und positive Amplituden für räumliche Änderungen der Intensi ^¬ tät haben. Auf diese Weise wird jeder relevanten Gruppe bin _iire i (x, y) ein Eigenschaftsvektor e_ mit einer der Anzahl m der Eigenschaften entsprechenden Anzahl von Komponenten zugeordnet.

In vorhergehenden Lernschritten sind für eine Vielzahl von Testbildern die Original-Bilddaten der in jedem der Testbilder nach dem vorstehend erläuterten Verfahren extrahierten relevanten Gruppen bin _iire i (x, y) von einem Experten hinsicht- lieh ihrer diagnostischen Relevanz beurteilt. Hierzu werden zwei Klassen Cl, C2 gebildet. Relevante Gruppen bin _iire i (x, y) mit positivem Befund (diagnostisch relevant) werden der Klasse Cl zugeordnet, die übrigen (diagnostisch irrelevant) der Klasse C2 (Schritt 48) .

Mit Hilfe eines Lernalgorithmus, im Beispiel ein sogenannter Adaptive-Boosting-Algorithmus , wird nun anhand der von Exper ^¬ ten beurteilten Testbilder das System derart trainiert, dass dieses auf der Grundlage des jeder relevanten Gruppe

bin _iire i (x, y) zugeordneten Eigenschaftsvektors mit einer hohen Wahrscheinlichkeit treffsicher entscheiden kann, welcher Klasse Cl, C2 diese Gruppe bin _iirel (x, y) zugeordnet werden kann . Im Verlauf dieser Trainingsphase werden außerdem die für die spätere automatisierte Bildanalyse verwendeten Eigenschaften, d. h. die tatsächlich notwendigen und geeigneten, d.h. relevanten Komponenten des Eigenschaftsvektors aus einer größeren Anzahl von Eigenschaften extrahiert, indem diejenigen Kompo- nenten nicht mehr berücksichtigt werden, die in der Trai ^¬ ningsphase sowohl für die Gruppen bin _iire i (x, y) der Klasse Cl als auch für die Gruppen bin _iire i (x, y) der Klasse C2 den Wert 0 ergeben. Ebensowenig werden diejenigen Eigenschaften weiter berücksichtigt, deren Varianz in der Gruppe Cl größer oder annähernd gleich der Varianz dieses Merkmals in der Gesamt ^¬ zahl der Gruppen ist. Mit diesen Maßnahmen hat sich in der Praxis eine Anzahl von 66 Merkmalen ergeben, die bei der automatisierten Bildauswertung zur Beurteilung herangezogen werden, ob es sich um eine gastritische Läsion handelt oder nicht.

Mit dem auf diese Weise trainierten Expertensystem wird nun in Schritten 46 und 48 beurteilt, welcher Klasse Cl, C2 die in einem während einer endoskopischen Untersuchung erzeugten Videobild mit den Schritten 30 bis 42 identifizierten relevanten Gruppen bin _{i i re} i zuzuordnen sind. Mit anderen Worten: Das Expertensystem beurteilt automatisch, ob die relevante Gruppe bin _{i i re} i einen gastritischen Bereich indiziert oder nicht. Wenn relevante Gruppen bin _{i i re} i eines Videobildes der Klasse Cl zugeordnet worden sind, wird dies akustisch oder optisch, beispielsweise innerhalb des Videobildes durch eine entsprechende Hervorhebung dem Nutzer angezeigt, so dass die ^¬ ser aktiv in die Steuerung der Endoskopkapsel eingreifen kann. Ergänzend oder alternativ zu einer solchen manuellen Steuerung kann auch eine automatische Steuerung der Endoskopkapsel vorgesehen sein.

Das vorstehend erläuterte Verfahren ist insbesondere für die Erkennung einer Gastritis geeignet und kann grundsätzlich mit denselben vorverarbeitenden, zur Auswahl der relevanten Gruppen bin _{i i re} i (x, y) führenden Schritten auch zur automatischen Erkennung anderer Krankheitsbilder verwendet werden, bei denen die diagnostisch relevante Information in einer örtlich variablen Trübung und/oder Färbung einer im Hohlorgan befindlichen Flüssigkeit und/oder einem Vorhandensein von Partikeln in der Flüssigkeit besteht, d.h. bei denen die optischen Eigenschaften der Flüssigkeit das Vorliegen eines Krankheits ^¬ bildes indizieren.

So vermischt sich bei bestimmten Krankheitsbildern im untersuchten Organ die zugeführte Flüssigkeit, deren Eigenschaften bekannt sind, mit Fremdkörpern. So kann es sich bei diesen Fremdkörpern beispielsweise um Gewebeteile handeln, die sich flockenartig bei einem Ulcus ventriculi (Magengeschwür) von der Magenwand ablösen. Diese Gewebeflocken sind dann im Endo- skopbild als in der Flüssigkeit schwebende Partikel zu erken ^¬ nen. Die Art, Menge und Größe dieser Fremdkörper geben dabei ein sehr gutes erstes Indiz dafür ab, ob eine bestimmte

Krankheit vorliegt, auch wenn die betroffene anatomische

Stelle mit dem Endoskop noch nicht gesichtet wurde. Zu erken ^¬ nen sind die Fremdkörper im Endoskop zumeist als schwebende Partikel, können aber bei geringer Größe auch als Eintrübung der Flüssigkeit ausgebildet sein.

In Figur 3 ist schematisch ein Endoskopbild wiedergegeben, bei dem sich als Folge eines Magengeschwürs Exsudat von der Magenwand gelöst hat und als weißliche flockenartige Fremd ^¬ körper 50 in der Flüssigkeit schwimmt. Bei einer automati- sehen Detektion kann dabei ausgenutzt werden, dass diese Flo ^¬ cken 50 gegenüber den im Hintergrund an der Magenwand befind ^¬ lichen, ebenso wie die Magenwand rötlichen Strukturen 52 als helle weiße Bildbereiche deutlich erkennbar werden und somit automatisch segmentiert und hinsichtlich Größe und Anzahl analysiert werden können.

In Figur 4 ist ein weiteres Krankheitsbild dargestellt, bei der Galle als gelblich-grüne bis bräunliche Flüssigkeit über den Pylorus (Magenausgang) 56 in den Magen gelangt, wenn die- ser den Rückfluss nicht verhindern kann. Sie vermischt sich insbesondere in der Umgebung des Pylorus mit der Flüssigkeit, in der die Endoskopkapsel schwimmt und trübt sie ein. Diese lokale Trübung kann ebenfalls automatisch detektiert werden und erlaubt so Rückschlüsse auf die Funktionstüchtigkeit des Pylorus. Darüber hinaus kann auch aus der automatisch bestimmten farblichen Zusammensetzung der Flüssigkeit eine Leberfehlfunktion erkannt werden. In der Flüssigkeit auftretende Galle besteht aus verschiedenen chemischen Komponenten von denen einige klar sind und andere dagegen farbig sind, so dass die Farbe der Gallenflüssigkeit je nach Anteil der in der Galle befindlichen hauptsächlich Farbstoffe, nämlich gelbes Bilirubin und grünes Biliverdin von gelblich bis grünlich variiert. Beides sind Abbauprodukte der Leber von Hämoglobin. Je nach Veränderung der Konzentrationen eines der beiden Abbauprodukte erscheint die Gallenflüssigkeit also mehr gelb ^¬ lich oder grünlich und lässt bei bestimmten Farbverschiebungen Rückschlüsse auf Leberfehlfunktionen zu. Dieser Farbun- terschied bleibt erhalten bei der Vermischung mit der Flüs ^¬ sigkeitslösung im Arbeitsraum (Magen und/oder Darm) und kann anhand einer Analyse der Endoskopbilder mit Methoden der digitalen Bildverarbeitung oder -analyse automatisch detektiert werden .