Hirnmetastasen bei malignem Melanom: Vollautomatische Detektion und Segmentierung in der MRT unter Verwendung eines Deep-Learning-Modells

Zielsetzung Ziel dieser Studie war es, intrakranielle Metastasen bei Patienten mit malignem Melanom (MM) auf multiparametrischen, multizentrischen MRT-Datensätzen mittels eines Deep-Learning-Models (DLM) vollautomatisch zu detektieren und zu segmentieren.

Material und Methoden Retrospektive Studie, im Rahmen derer MRT-Datensätze (T1-/T2-gewichtet, T1-gewichtet mit Kontrastmittel (T1KM) und FLAIR; multizentrische Datensets; März 2013 – April 2019) von 65 Patienten mit 136 Metastasen eines MM zum Zeitpunkt der Erstdiagnose der intrakraniellen Filialisierung inkludiert wurden. Die Scans wurden in eine Trainingskohorte (56 Patienten/109 Metastasen; durchschnittliches Volumen der Metastasen: 2,35±7,81 cm3), anhand derer das DLM (3D Convolutional Neural Network; DeepMedic, BioMedIA) mittels 5 Fold-cross-validation trainiert wurde, und in eine unabhängige Testkohorte (9 Patienten/27 Metastasen; durchschnittliches Volumen der Metastasen: 0,4±1,2 cm3), mittels dieser das DLM evaluiert wurde, aufgeteilt. Unabhängige manuelle Segmentierungen der Metastasen (Kontrasmittel-aufnehmender Anteil in der T1KM) von zwei Radiologen bestimmten die Ground Truth (GT).

Ergebnisse In dem unabhängigen Testset zeigte das DLM eine Sensitivität von 85 % mit 1,33 Falsch-positiven/Scan (FP's/Scan). Für das Volumen der Metastasen erreichte das DLM mit einem Dice von 0,76 eine gute Korrelation zur GT.

Schlußfolgerungen Trotz der sehr geringen Größe der Metastasen erreichte unser trainiertes DLM eine hohe Sensitivität mit adäquater Volumenkorrelation zur GT und wies hierbei eine sehr niedrige Rate an FP's/Scan auf. Die hiermit mögliche Automatisierung von Detektion und Segmentierung der intrakraniellen Filiae könnte als ein Hilfsmittel in der Präselektion suspekter Läsionen und zur Beurteilung des Therapieerfolges in der onkologischen Verlaufsbildgebung dienen.