CNN-basierte Erkennung des Hyperdensen Mediazeichen

Zielsetzung Mithilfe von Convolutional Neural Networks (CNN) soll die Erkennung des hyperdensen Mediazeichens in der klinischen Diagnostik verbessert werden. Das hyperdense Mediazeichen ist ein Frühzeichen des ischämischen Schlaganfalles und somit von hoher klinischer Bedeutung. Da dieses Zeichen von Radiologen leicht übersehen werden kann, wird in der hier vorgestellten Arbeit ein CNN-basiertes computerassistiertes Diagnosesystem (CAD) entwickelt.

Material und Methoden Native CT Scans von 216 Patienten wurden aus dem klinischen Bildarchiv anonymisiert und exportiert. Von den 101 Patienten mit sichtbarem hyperdensen Mediazeichen wurde dieses von einer Radiologin segmentiert (7 Jahre neuroradiologische Erfahrung). Mit den gewonnenen Daten wurden mehrere CNNs trainiert und in einer Kaskade kombiniert (3D CNN, U-Net). Schlussendlich wurde eine quantitative Evaluierung auf Patientenebene durchgeführt, indem die Fläche unter der ROC-Kurve (AUC) bestimmt wurde.

Ergebnisse Die vorgestellte Methode erreicht einen AUC-Wert von 0.77 (95% Konfidenzintervall von 0.62 – 0.90). Die Größe des Testdatensatzes beträgt 68 Patienten (34 gesund, 34 mit hyperdensem Mediazeichen). Im Vergleich zu Black-Box CNNs können durch die Verwendung von mehreren CNNs Zwischenergebnisse wie Segmentierungen und Scores für die einzelnen Läsionen erhalten werden. Somit kann die Entscheidung von einem Radiologen nachvollzogen werden, was sich als essentiell für die Einbindung in eine klinische Umgebung erweist.

Schlußfolgerungen Wir haben ein System entwickelt, welches langfristig das Potential bietet, Radiologen bei der Schlaganfalldiagnostik zu unterstützen. Die Methode kann ein CT-Volumen automatisch klassifizieren. Somit bietet sie das Potential, als “drittes Auge” fälschlicherweise negative Diagnosen zu vermeiden.