Rofo 2020; 192(S 01): S27
DOI: 10.1055/s-0040-1703186
Vortrag (Wissenschaft)
Herzdiagnostik/Gefäßdiagnostik
© Georg Thieme Verlag KG Stuttgart · New York

Automatisierte Segmentierung und Quantifizierung der Aorta und von Aortenaneurysmen in computertomographischen Angiografien mittels eines Deep Learning Algorithmus

M Sieren
1  Universitätsklinikum Schleswig-Holstein, Klinik für Radiologie und Nuklearmedizin, Lübeck
,
C Widmann
1  Universitätsklinikum Schleswig-Holstein, Klinik für Radiologie und Nuklearmedizin, Lübeck
,
N Weiss
2  Fraunhofer-Institut für digitale Medizin MEVIS Lübeck
,
J Moltz
3  Fraunhofer-Institut für digitale Medizin MEVIS Bremen
,
F Link
3  Fraunhofer-Institut für digitale Medizin MEVIS Bremen
,
T Oechtering
1  Universitätsklinikum Schleswig-Holstein, Klinik für Radiologie und Nuklearmedizin, Lübeck
,
F Wegner
1  Universitätsklinikum Schleswig-Holstein, Klinik für Radiologie und Nuklearmedizin, Lübeck
,
J Goltz
1  Universitätsklinikum Schleswig-Holstein, Klinik für Radiologie und Nuklearmedizin, Lübeck
,
J Barkhausen
1  Universitätsklinikum Schleswig-Holstein, Klinik für Radiologie und Nuklearmedizin, Lübeck
,
A Frydrychowicz
1  Universitätsklinikum Schleswig-Holstein, Klinik für Radiologie und Nuklearmedizin, Lübeck
› Author Affiliations
Further Information

Publication History

Publication Date:
21 April 2020 (online)

 
 

    Zielsetzung Die Segmentierung der Aorta ist für den Radiologen ein anspruchsvoller Prozess. Obwohl eine Vielzahl unterstützender Software zur Verfügung steht wird das Gefäßlumen, z.B. bei unvollständiger Kontrastierung, oft nicht korrekt erfasst. Deep Learning (DL) ist ein vielversprechender Lösungsansatz. Ziel dieser Studie war es, einen DL-Algorithmus zur Segmentierung der Aorta in computertomographischen Angiografien (CTA) zu trainieren und das Aortenlumen zu quantifizieren.

    Material und Methoden 201 Aorten-CTAs wurden aus unserem Bildarchiv identifiziert, manuell segmentiert und nach dem Zufallsprinzip auf Trainings-/Validierungs-/Testgruppe aufgeteilt (Verhältnis 7:1:2). Auf diesen Daten wurde ein 3D-U-Net mit drei Ebenen und Dice-loss Funktion trainiert. Zur Analyse der Unterschiede zwischen manueller/DL- Segmentierung wurde der Dice-Koeffizient, die durchschnittliche Distanz der Segmentierungen und der Hausdorff-Abstand berechnet. Im Testdatensatz (n=32) wurden in beiden Segmentierungen der max. Durchmesser und die Fläche der Aorta an acht anatomischen Landmarken quantifiziert. Bei vorliegendem Aneurysma (n=14) wurden zusätzlich beide Werte auf Höhe der max. Gefäßfläche des Aneurysmas bestimmt. Anschließend wurde der absolute Fehler der DL-Segmentierung im Vergleich zur manuellen Segmentierung für beide Parameter berechnet. Die Daten werden als Mittelwert±Standardabweichung angegeben.

    Ergebnisse Die Werte für den Dice-Koeffizient betrugen 0,95±0,02, 0,82±0,35mm für die durchschnittliche Distanz und 7,18±3,78mm für den Hausdorff-Abstand. Der größte Fehler betrug für den max. Durchmesser 1,02±1,61mm und 27,38±90,45mm2 für die Fläche. In Aneurysmen betrug der absolute Fehler für den max. Durchmesser 0,38±2,42mm und 55,78±111,04mm2 für die Fläche.

    Schlußfolgerungen Die automatisierte Segmentierung der Aorta auf CTA-Daten mit einem DL-Algorithmus ist möglich und erlaubt die Quantifizierung des Gefäßlumens mit klinisch akzeptabler Abweichung, selbst wenn die Gefäßarchitektur durch pathologische Veränderungen beeinträchtigt ist.


    #