Rofo
DOI: 10.1055/a-1238-2887
Abdomen

A 3D Deep Neural Network for Liver Volumetry in 3T Contrast-Enhanced MRI

Verwendung eines 3D-neuronalen Netzwerkes zur Lebervolumenbestimmung in der kontrastmittelverstärkten 3T-MRT
Hinrich Winther
1  Department of Diagnostic and Interventional Radiology, Hannover Medical School, Hannover, Germany
,
Christian Hundt
2  Institute for Computer Science, Johannes Gutenberg University, Mainz, Germany
,
Kristina Imeen Ringe
1  Department of Diagnostic and Interventional Radiology, Hannover Medical School, Hannover, Germany
,
Frank K. Wacker
1  Department of Diagnostic and Interventional Radiology, Hannover Medical School, Hannover, Germany
,
Bertil Schmidt
2  Institute for Computer Science, Johannes Gutenberg University, Mainz, Germany
,
Julian Jürgens
3  Department of Radiology and Nuclear Medicine, University Medical Center Hamburg-Eppendorf, Hamburg, Germany
,
Michael Haimerl
4  Department of Radiology, University Hospital Regensburg, Regensburg, Germany
,
Lukas Philipp Beyer
4  Department of Radiology, University Hospital Regensburg, Regensburg, Germany
,
Christian Stroszczynski
4  Department of Radiology, University Hospital Regensburg, Regensburg, Germany
,
Philipp Wiggermann
5  Department of Radiology and Nuclear Medicine, Hospital Braunschweig, Germany
,
Niklas Verloh
4  Department of Radiology, University Hospital Regensburg, Regensburg, Germany
› Author Affiliations

Abstract

Purpose To create a fully automated, reliable, and fast segmentation tool for Gd-EOB-DTPA-enhanced MRI scans using deep learning.

Materials and Methods Datasets of Gd-EOB-DTPA-enhanced liver MR images of 100 patients were assembled. Ground truth segmentation of the hepatobiliary phase images was performed manually. Automatic image segmentation was achieved with a deep convolutional neural network.

Results Our neural network achieves an intraclass correlation coefficient (ICC) of 0.987, a Sørensen–Dice coefficient of 96.7 ± 1.9 % (mean ± std), an overlap of 92 ± 3.5 %, and a Hausdorff distance of 24.9 ± 14.7 mm compared with two expert readers who corresponded to an ICC of 0.973, a Sørensen–Dice coefficient of 95.2 ± 2.8 %, and an overlap of 90.9 ± 4.9 %. A second human reader achieved a Sørensen–Dice coefficient of 95 % on a subset of the test set.

Conclusion Our study introduces a fully automated liver volumetry scheme for Gd-EOB-DTPA-enhanced MR imaging. The neural network achieves competitive concordance with the ground truth regarding ICC, Sørensen–Dice, and overlap compared with manual segmentation. The neural network performs the task in just 60 seconds.

Key Points:

  • The proposed neural network helps to segment the liver accurately, providing detailed information about patient-specific liver anatomy and volume.

  • With the help of a deep learning-based neural network, fully automatic segmentation of the liver on MRI scans can be performed in seconds.

  • A fully automatic segmentation scheme makes liver segmentation on MRI a valuable tool for treatment planning.

Citation Format

  • Winther H, Hundt C, Ringe KI et al. A 3D Deep Neural Network for Liver Volumetry in 3T Contrast-Enhanced MRI. Fortschr Röntgenstr 2020; DOI: 10.1055/a-1238-2887

Zusammenfassung

Ziel Ziel dieser Studie war es, eine vollautomatische und zuverlässige Lebervolumetrie in der kontrastverstärkten MRT basierend auf 3D-Deep-Learning-Algorithmen zu entwickeln.

Material und Methoden Datensätze von Gd-EOB-DTPA-verstärkten Leber-MR-Bildern von 100 Patienten wurden von einem in der hepatobiliären Bildgebung erfahrenen Radiologen manuell segmentiert und als Grundwahrheitssegmentierung angenommen. Die Datensätze wurden mittels einem Kreuzvalidierungsverfahren (k = 4) in Trainings- und Validierungsdatensatz eingeteilt und einem neuronalen Netzwerk zur automatischen Bildsegmentierung zugeführt. Zusätzlich wurde ein Teil der Daten (n = 9) von einem zweiten Radiologen zur Bestimmung einer Interobserver Variability segmentiert.

Ergebnisse Die manuelle Segmentierung erreichte einen Inter-Klassen-Korrelationskoeffizienten (ICC) von 0,973, einen Sørensen-Dice-Index von 95,2 ± 2,8 % und eine Überlappung von 90,9 ± 4,9 %. Das neuronale Netzwerk erreichte einen ICC von 0,98, einen Sørensen-Dice-Index von 96 ± 1,9 % und eine Überlappung von 92 ± 3,5 % sowie eine Hausdorff-Distanz von 24,9 ± 14,7 mm.

Schlussfolgerung Diese Studie präsentiert ein vollautomatisches Lebervolumetrie-Schema für MR-Bildgebung. Das neuronale Netzwerk erreichte eine kompetitive Übereinstimmung mit der Grundwahrheit bezüglich ICC, Sørensen-Dice-Index und Überlappung im Vergleich zu einer manuellen Segmentierung. Das neuronale Netzwerk erledigte die Aufgabe in nur 60 Sekunden.

Kernaussagen:

  • Das vorgeschlagene neuronale Netzwerk hilft bei der genauen Segmentierung der Leber und liefert detaillierte Informationen über die patientenspezifische Anatomie und das Volumen der Leber.

  • Mithilfe eines neuronalen Netzes kann eine vollautomatische Segmentierung der Leber in MRT-Scans in Sekundenschnelle durchgeführt werden.

  • Ein vollautomatisches Segmentierungsschema macht die Lebersegmentierung in der MRT zu einem wertvollen Instrument für die Behandlungsplanung.



Publication History

Received: 10 February 2020

Accepted: 03 August 2020

Publication Date:
03 September 2020 (online)

© Georg Thieme Verlag KG
Stuttgart · New York