Automatisierte Nierenvolumetrie basierend auf low-dose nativen Computertomographien

Zielsetzung Derzeitig verfügbare Methoden zur Quantifizierung des Nierenvolumens sind zeitaufwändig und fehleranfällig. Trotz deutlicher, teils vielversprechender Fortschritte bei der Automatisierung basieren die Ansätze zumeist auf kontrastmittelgestützten Computertomographien (CT). Ziel dieser Studie war die Etablierung einer automatischen Quantifizierung des Nierenvolumens in nativen, low-dose CT-Scans von Patient*innen mit Verdacht auf Urolithiasis.

Material und Methoden Ein 2D Convolutional Neural Network (CNN)-Modellen wurde anhand manuell segmentierter nativer low-dose Scans von 210 Patient*innenen trainiert. Die Segmentierungsgenauigkeit des Modells wurde anhand eines separaten Applikationsdatensatzes von 22 Patient*innen mittels Dice Similarity Coefficient (DSC) evaluiert. Darüber hinaus wurde mittels Intraclass correlation coefficients (ICC) die Übereinstimmung der CNN-basierten Ergebnisse mit von Radiolog*innen halbautomatisch quantifizierten Ergebnissen untersucht.

Ergebnisse Die CNN-gestützte Quantifizierung des Nierenvolumens dauerte in einem CT-Scan mit durchschnittlich 1026 Schichten im Durchschnitt 32 Sekunden für beide Nieren. Der DSC betrug 0.91 und 0.86 für die linke bzw. rechte Niere. Zudem zeigte sich eine hohe Übereinstimmungen zwischen der CNN-basierten und der halbautomatischen, durch Radiolog*innen vorgenommenen, Volumenquantifizierung (ICC= 0.89 (rechts) und 0.93 (links)).

Schlussfolgerungen Die CNN-gestützte vollautomatische Quantifizierung des Nierenvolumens ist auch basierend auf nativen low-dose CT-Scans hochgradig akkurat und reproduzierbar. Die automatische Segmentierung kann somit radiologische Befunde quantitativ komplimentieren.

 

MissingLinkText

Publication History

Article published online:
12 April 2024