Vergleich der Kongruenz von PI-RADS Läsionen zwischen Deep Learning und manueller Segmentation multipler Radiologen.

Zielsetzung Ein kürzlich entwickeltes künstliches neuronales Netzwerk (U-Net) zeigte eine gute Erkennungsrate klinisch signifikanter Prostatakarzinome (sPC) welche die von Radiologen approximierte. In dieser Arbeit wird die Kongruenz von vom U-Net erstellten mit manuellen Segmentationen verglichen.

Material und Methoden 145 Patienten mit Verdacht auf signifikantes Prostatakarzinom (sPC) erhielten eine multiparametrische MRT (mpMRT) bei 3 Tesla, gefolgt von gezielter Biopsie klinischer Läsionen. Fünf Segmentationen pro Untersuchung wurden erstellt: Retrospektive Segmentation klinischer Läsionen (KL), unabhängige und geblindete retrospektive PI-RADS Befundung durch drei Radiologen (R1: Experte mit 12 Jahren Erfahrung, R2: Facharzt, 3 Jahre Erfahrung, R3: Assistenzarzt mit Forschungsfokus Prostata-MRT, 2 Jahre Erfahrung) und U-Net (CNN). Der Dice-Koeffizient (Dice) zwischen überlappenden Läsionen pro Patient wurde gemittelt, für jede Segmentationsart aggregiert und durch ein lineares Modell verglichen.

Ergebnisse Dice für KL/CNN/R1/R2/R3 war 0.39/0.31/0.46/0.42/0.49 für alle Läsionen. Werden nur Läsionen mit bioptisch gesichertem Gleason Grade Group >=2 PCa betrachtet so ergibt sich analog 0.37/0.32/0.40/0.42/0.45. Im linearen Modell letzterer Läsionen gab es keine signifikanten Unterschiede zwischen manuellen Segmentationen (p>0.24) außer für KL-R3 (p=0.01). CNN-R2 und CNN-R3 waren signifikant verschieden (p<0.01), CNN-R1 und CNN-KL nicht (p>0.06).

Schlußfolgerungen Die Kongruenz automatischer und manueller Segmentationen war in der gleichen Größenordnung mit einer Tendenz zu etwas niedriger Kongruenz für CNN Segmentationen. Es gab keine überzeugend bessere Übereinstimmung bei richtig positiven Läsionen im Vergleich zu allen Läsionen, was darauf hinweist dass der Bildeindruck von sPC durch benigne oder niedriggradige Veränderungen genau nachgeahmt werden kann.