Deep Learning basierte Segmentierung von Prostatakarzinomen auf Superresolution MRT

Zielsetzung Für die Entwicklung neuronaler Netze zur Erkennung und Segmentierung klinisch signifikanter Prostatakarzinome werden bislang nur axiale Schnittbilder verwendet. T2 gewichtete Sequenzen werden jedoch auch in sagittaler und koronaler Orientierung angefertigt. Ziel der Arbeit ist es, die zusätzliche Information dieser Aufnahmen bei der Entwicklung der Netze zu nutzen.

Material und Methoden Retrospektiv wurden 739 MRT Untersuchungen bestehend aus T2 und diffusionsgewichteten Sequenzen zum Training zweier Ensembles neuronaler Netze zur Segmentierung karzinomverdächtiger Herde verwendet. Grundlage des Trainings waren manuelle Läsionssegmentierungen deren gezielte Biopsien oder die läsionsüberlappenden Sextanten positiv für klinisch signifikantes Prostatakarzinom (sPC, GGG>=2) waren. Für das Ensembletraining wurden einerseits die drei T2 Orientierungen computergestützt fusioniert, um ein hochauflösendes Volumen zu erzeugen („Superresolution“), andererseits wurde ein Volumen gleicher Auflösung lediglich durch Interpolation geschaffen („Standard“). Diffusionsgewichtete Sequenzen wurden auf die T2 Referenz registriert. Die Auswertung des Klassifikationserfolges erfolgte in fünffacher Kreuzvalidierung auf Patienten- und Sextantenebene (ROC-Analysen mittels DeLong-Test, α < 0.05). Für die Einschätzung der Segmentierungsqualität wurde der Dice-Koeffizient berechnet.

Ergebnisse Das Superresolution Ensemble hatte auf Patientenebene mit 0.79 eine nicht signifikant niedrigere ROC-AUC als das Standardensemble mit 0.81 (p = 0.12). Auf Sextantenebene war die ROC-AUC mit 0.76 signifikant höher als für das Standardensemble mit 0.74 (p = 0.04). Der Dice-Koeffizient betrug 0.30 bzw. 0.33.

Schlussfolgerungen Durch die Verwendung axialer, sagittaler und koronaler Aufnahmen konnte bei der Erkennung von signifikanten Prostatakarzinomen kein signifikanter Vorteil gegenüber der alleinigen axialen Aufnahme erzielt werden. Die relevante Bildinformation der Indexläsionen scheint axial trotz anisotroper Schichtdicke ausreichend repräsentiert zu sein.

Publication History

Article published online:
11 May 2021