Rofo 2020; 192(S 01): S22
DOI: 10.1055/s-0040-1703171
Vortrag (Wissenschaft)
Herzdiagnostik/Gefäßdiagnostik
© Georg Thieme Verlag KG Stuttgart · New York

Vollautomatische Quantifizierung von Herzgeometrie und -funktion mittels künstlicher neuronaler Netzwerke in einer großen populationsbasierten Magnetresonanztomografie-Studie.

F Laqua
1  Universitätsmedizin Greifswald, Institut für Diagnostische Radiologie und Neuroradiologie, Greifswald
,
N Hosten
1  Universitätsmedizin Greifswald, Institut für Diagnostische Radiologie und Neuroradiologie, Greifswald
,
P Lav Madsen
2  Herlev-Gentofte Hospital, Hjertemedicinsk Afdeling S, Kopenhagen
,
N Wind
1  Universitätsmedizin Greifswald, Institut für Diagnostische Radiologie und Neuroradiologie, Greifswald
,
R Bülow
1  Universitätsmedizin Greifswald, Institut für Diagnostische Radiologie und Neuroradiologie, Greifswald
› Author Affiliations
Further Information

Publication History

Publication Date:
21 April 2020 (online)

 

Zielsetzung In dieser Studie soll die Anwendbarkeit von vollautomatisierter Quantifizierung linksventrikulärer (LV) Herzgeometrie und -funktion mittels künstlicher neuronaler Netzwerke in einer großen prospektiven populationsbasierten Magnetresonanztomografie-(MRT)-Studie untersucht werden.

Material und Methoden In der Study of Health in Pomerania wurden zwischen 2008 und 2012 1.519 Probanden aus der Allgemeinbevölkerung (medianes Alter 52 J, 54,9 % männlich) mittels kardialer cine-MRT untersucht. Ein künstliches neuronales Netzwerk (UNet-CNN) wurde mit manuell segmentierten 4-Kammer- (4CH), 2-Kammer- (2CH) und Kurzachsen-Bildern (SAX) in Endsystole und -diastole anhand von 80% der Probanden trainiert und an den übrigen Probanden visuell und mittels Dice-Koeffizienten und Bland-Altman-Plots getestet. Darüber hinaus wurden aus den Segmentierungen der übrigen nicht-trainierten Herzphasen Volumenkurven abgeleitet. In einem weiteren Schritt wurde das trainierte UNet-CNN auch anhand der Follow-Up-Untersuchungen (2016 bis 2019) getestet.

Ergebnisse Mediane Dice-Koeffizienten (95% Konfidenzintervall) für 4CH, 2CH und SAX waren 0,965 (0,911;0,986), 0,966 (0,907;0,982) bzw. 0,962 (0,802;0,986) für das LV Myokard und 0,913 (0,851;0,943), 0,899 (0,829;0,935) bzw. 0,924 (0,782;0,959) für das LV Lumen. Es wurden biologisch plausible Volumenkurven abgeleitet und die berechneten Werte für LV Masse, Volumen und Ejektionsfraktion zeigten eine gute Korrelation (r>0.9) mit den manuell bestimmten Werten ohne signifikanten Bias. UNet-CNN erzielte ähnliche mediane Dice-Koeffizienten (LV Myokard 4CH: 0,959, 2CH: 0,956, SAX: 0,954 (SAX); LV Lumen 4CH: 0,898, 2CH: 0,885, SAX: 0,911) in den Follow-Up-Untersuchungen.

Schlußfolgerungen UNet-CNN stellt eine praktikable und zeitsparende Alternative zur manuellen Segmentierung und Quantifizierung von Herzgeometrie und -funktion dar und ist insbesondere bei longitudinalem Studiendesign ein vielversprechender Ansatz für noch größere MRT-Studien wie der NAKO Gesundheitsstudie oder der Hamburg City Health Study.