neuroRAD 2019 – Automatische MRT-basierte Meningeom-Segmentierung

neuroRAD 2019 – Automatische MRT-basierte Meningeom-Segmentierung

Die automatische Segmentierung von Meningeomen mittels Deep-Learning und die manuelle Segmentierung sind in Punkto Genauigkeit vergleichbar. Ein solcher Ansatz könnte die RadiologInnen bei dieser Tätigkeit spürbar entlasten.

  • Präsentationstag:
    10.10.2019 0 Kommentare
  • Autor:
    mh/ktg
  • Sprecher:
    Kai Laukamp et al., Uniklinik Köln
  • Quelle:
    neuroRAD 2019 – Poster

Volumetrisch lässt sich mögliches Wachstum von Meningeomen genauer erfassen, als wenn man sich nur auf Messungen des Tumordurchmessers verlässt. Kai Laukamp, Uniklinik Köln, und KollegInnen untersuchten daher das Potenzial eines Deep-Learning-Modells zum automatischen Segmentieren von Meningeomen.

Methode

Sie arbeiteten dabei mit der Open Source Software DeepMedic (BioMedIA) und trainierten das System mit manueller segmentierten MRT-Daten von 70 Patienten. Dann ließen sie das System die MRT-Datensätze (T1, T2, T1 kontrastverstärkt, FLAIR) von 56 weiteren PatientInnen mit intrakraniellem Meningeom analysieren:

  • Automatische Segmentierung des kontrastanreichernden Tumoranteils
  • Automatische Segmentierung des gesamten Tumorvolumens, bestehend aus solidem Tumor, Nekrose und umgebendem Ödem

Als Ground-Truth für die Validierung der automatischen Segmentierung galten die Ergebnisse der manuellen Segmentierung der 56 Patienten. Diese hatten zwei erfahrene Befunder im Konsens durchgeführt.

Ergebnisse

Im Vergleich der automatisch und manuell segmentierten Daten zeigte sich ein durchschnittlicher Dice-Koeffizient (statistische Größe zum Darstellen der Ähnlichkeit zweier Termen) von

  • 0,91±0,08 für die Segmentierung des kontrastanreichernden Tumoranteils,
  • 0,82±0,12 für die Segmentierung des gesamten Tumorvolumens.

Die Interreader-Variabilität in der Trainingskohorte war mit 0,92±0,07 für den kontrastanreichernden Tumoranteil etwas höher als mit 0,88±0,05 für das gesamte Tumorvolumen.

Fazit

Die automatische Segmentierung mit dem Deep-Learning-Modell war von hoher Genauigkeit und der Interreader-Variabilität bei manueller Segmentierung vergleichbar, resümieren die Laukamp et al. Der Ansatz sei geeignet, um zeitaufwendiges manuelles Segmentieren künftig zu vermeiden, so ihr Fazit.

Sie müssen sich einloggen, um Kommentare zu verfassen.