Verwendung eines 3D Neuronalen Netzwerkes zur Lebervolumenbestimmmung im 3T MRT

Zielsetzung:

Die hohe Variabilität der Lebergröße und -form, sowie das Vorhandensein von Pathologien machen die automatische Segmentierung schwierig. Ziel dieser Studie war die Etablierung eines vollautomatischen 3D-Deep-Learning-Leber-Segmentierungssystems für die kontrastverstärkte Leber-MRT.

Material und Methoden:

Datensätze von Gd-EOB-DTPA-verstärkten Leber-MR-Bildern von 100 Patienten wurden zufällig aus der klinischen Routine ausgewählt. Die Ground-Truth-Segmentierung der entsprechenden MR-Bilder in der hepatobiliären Phase wurde von einem erfahrenen Radiologen für alle 100 Fälle gemäß des aktuellen Goldstandards der manuellen Lebersegmentierung durchgeführt. Die Datensätze wurden mittels eines 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 Variabilität segmentiert.

Ergebnisse:

Die manuelle Segmentierung erreichte einen Intra-Klassen-Korrelations Koeffizienten (ICC) von 0,97, einen Sørensen-Dice-Index von 95,2 ± 2,8% und eine Überlappung von 90,9 ± 4,9%. Das neuronale Netzwerk erreicht einen ICC von 0,98, einen Sørensen-Dice-Index von 96 ± 1.9% und eine Überlappung von 92 ± 3,5%, sowie einer Hausdorff-Distanz von 24,9 ± 14,7 mm. Für die Segmentierung eines gesamten Leber-MRT-Scans mit ungefähr 64 Schichten benötigt das neuronale Netzwerk ca. 60 Sekunden. Im Gegensatz dazu macht die manuelle Segmentierung, die von einem Domänenexperten durchgeführt wird, ungefähr 10 ± 2 Minuten pro Fall aus.

Schlussfolgerungen:

Die Ergebnisse deuten auf eine vergleichbare oder höhere Segmentierungsqualität des neuronalen Netzwerkes im Vergleich zur manuellen Lebersegmentierung hin. Es ist in der Lage, das Leberparenchym mit hoher Präzision zu segmentieren und erreicht eine kompetitive Übereinstimmung mit der Ground-Truth-Segmentierung bezüglich ICC, Sørensen-Dice-Index und Überlappung.