Abschätzung der Körper-Zusammensetzung mittels quantitativer Spectral-Detektor CT und Deep-Learning-basierter Bildsegmentierung

Zielsetzung Ziel dieser Studie war die Entwicklung eines automatisierten Algorithmus zur quantitativen Bestimmung von abdomineller Muskelmasse, visceralem und subkutanem Fett (MM, VF, AF) anhand von Parameterkarten aus der Spektral-Detektor CT (SDCT) ergänzt um unterstützende Segmentierungen mittels neuronaler Netzwerke.

Material und Methoden Ein deep convolutional neural network (DCNN) wurde anhand von 74/14 CT-Untersuchungen trainiert die abdominellen Schichten zu detektieren. Im Anschluss erfolgte die Segmentierung von subkutanem Fett anhand quantitativer Grenzwerte im konventionellen Bild und eines U-Nets (Training/Validierung anhand von 83 bzw. 316 Schichten). Nachfolgend wurde die Muskulatur anhand der Schwächung im konventionellen Bild und der Perfusion aus der parametrischen Iodkarte aus der SDCT segmentiert. Test-re-test Eigenschaften wurden durch den Vergleich von MM, VF und AF und dem MM/F-Quotienten in 15 Patienten mit Doppel-Untersuchung binnen 21 Tagen bestimmt.

Ergebnisse Das Abdomen wurde mit einer Genauigkeit von 98,7% segmentiert. Der Dice similarity coefficient hinsichtlich der Segmentierung von SF lag bei 0,95 vergleichen mit dem manuell segmentierten Referenzstandard. Die Test-re-test Eigenschaften zeigten eine geringe mittlere Abweichung von nur 9% für die verschiedenen Parameter.

Schlußfolgerungen Der entwickelte Algorithmus basierend auf quantitativen Parameterkarten aus der SDCT ergänzt um unterstützende Segmentierungen mittels neuronaler Netzwerke erlaubt eine verlässliche Bestimmung von subcutanem und visceralem Fett sowie der abdominellen Muskelmasse in Routine CT Untersuchungen des Abdomens.