Automatic Segmentation of Lymphatic Perfusion Pattern in Fontan Patients

Background: Die Fontan Palliation ist das etablierte Vorgehen zur Behandlung einer Vielzahl von angeborenen Herzfehlern vom univentrikulären Typ. Obwohl in den letzten Jahrzehnten erhebliche Verbesserungen der Überlebensraten erzielt wurden, bleibt die damit verbundene Physiologie anfällig für schwerwiegende Komplikationen wie Eiweißverlust-Enteropathie. Diese Komplikation steht im engen Zusammenhang mit einer Stauung im Lymphsystem und unterstreicht ihre Bedeutung als Risikofaktor. Eine genaue Beurteilung des Schweregrads der Stauung erfordert die detaillierte Auswertung von Lymphperfusionsmustern im T2-gewichteten MRT. Dies ist zeitaufwendig und erfordert ein hohes Maß an Fachwissen, was sie im Rahmen standardmäßiger klinischer Protokolle unpraktisch macht, zudem unterliegt diese qualitative Beurteilung einem untersucherabhängigen Bias. Die Verwendung von künstlicher Intelligenz für Bilderkennung könnte ein mögliches Werkzeug sein, eine objektivierbare und zuverlässige Einschätzung des Lymphstatus von Fontan Patienten zu gewährleisten.

Methods: Um potenzielle Lymph-Abnormalitäten festzustellen, erhielten Fontan-Patienten sechs Monate nach der Operation eine T2-gewichtete MR-Untersuchung. In insgesamt 69 Scans wurden lymphatische Malformationen annotiert und hinsichtlich ihrer Abbildungsqualität bewertet. Im Anschluss wurde nnU-Net, ein sich automatisch konfigurierendes, Deep-Learning-basiertes Segmentierungsmodell, auf dem zusammengestellten Datensatz trainiert, evaluiert und zuletzt in ein Segmentierungsprogramm für die weitere Inferenz integriert.

Results: Die Leistung der Netzwerke nimmt zu, je mehr Datenaugmentierungsfunktionen enthalten sind. Unabhängig von den spezifischen Konfigurationen und Datenfaltungen bestimmt die anatomische Region eines Scans weitgehend die Ergebnisse der Segmentierung. Thorakale Scans werden am genauesten vorhergesagt (DSC 0.49 ± 0.17, NSD 0.74 ± 0.26), gefolgt von abdominalen (0.42 ± 0.19) und zuletzt Ganzkörperscans (0.26 ± 0.16). Der Schweregrad der Lymph-Abnormalitäten hat einen großen Einfluss auf die Ergebnisse, wobei der höchste (DSC 0.39 ± 0.13, NSD 0.76 ± 0.12) die niedrigen (DSC 0.26 ± 0.14, NSD 0.59 ± 0.26) übertreffen.

Conclusion: Während lymphatische Malformationen in thorakalen Scans zuverlässig erkannt werden, stellen die abdominalen Regionen eine größere Herausforderung für nnU-Net dar. nnU-Net kann insbesondere bei thorakalen Scans akkurate Segmentierungsmasken erstellen. Diese können klinisches Personal in dem zeitintensiven und aufwändigen Prozess der manuellen Annotation unterstützen.

Publication History

Article published online:
11 February 2025