Nuklearmedizin 2024; 63(02): 126
DOI: 10.1055/s-0044-1782389
Abstracts
Wissenschaftliche Vorträge
Wissenschaftliche Vorträge 7: Medizinische Physik, Radiomics

Validierung einer vollautomatischen Analyse-Pipeline für die Artificial-Intelligence (AI)-unterstützte Quantifizierung von PET/CT-Bilddaten in einem Medizinischen Datenintegrationszentrum

Authors

  • S. Boehner

    1   Universitätsklinikum Regensburg, Medizinisches Datenintegrationszentrum (MEDIZUKR), Regensburg

  • T. Fuchs

    1   Universitätsklinikum Regensburg, Medizinisches Datenintegrationszentrum (MEDIZUKR), Regensburg

  • N. C. Hellwig

    1   Universitätsklinikum Regensburg, Medizinisches Datenintegrationszentrum (MEDIZUKR), Regensburg

  • A. Hellwig

    2   Universitätsklinikum Regensburg, Abteilung für Nuklearmedizin, Regensburg

  • R. Fischer

    1   Universitätsklinikum Regensburg, Medizinisches Datenintegrationszentrum (MEDIZUKR), Regensburg

  • D. Schmidt

    2   Universitätsklinikum Regensburg, Abteilung für Nuklearmedizin, Regensburg

  • D. Hellwig

    2   Universitätsklinikum Regensburg, Abteilung für Nuklearmedizin, Regensburg
Further Information
Also available at
 
 

    Ziel/Aim: Nuklearmedizinische Bilder enthalten nutzbare Informationen zu physiologischen und biochemischen Vorgängen, die sich für automatische Analysen eignen. Hier soll eine prototypische, an ein medizinisches Datenintegrationszentrum (DIZ) der Medizininformatik-Initiative (MI-I) gekoppelte Analyse-Pipeline zur Quantifizierung von typischen Referenzregionen in FDG-PET/CT-Bildern validiert werden.

    Methodik/Methods: Ein Python-Skript inventarisiert verfügbare nuklearmedizinische Bildserien über Extraktion relevanter DICOM-Metadaten. Nuklearmedizinische OPS-Schlüssel (3-70 bis 3-76) erlauben die Verknüpfung mit Fällen im FHIR-Server des DIZ. Exemplarisch selektierten wir 20 aufeinanderfolgende Fälle mit FDG-PET/CT für die Auswertung in einer Python-basierten Pipeline, die nach SUV-skalierter Konversion in das Nifti-Format mittels des AI-Tools TotalSegmentator insgesamt 104 aus der CT-Komponente gewonnene Organregionen für die Quantifizierung der PET nutzt. Zur Validierung dienten die visuelle Prüfung der Organsegmentation und der Vergleich mit fachärztlichen Messungen in Leber, Aorta und LWK3 mittels Syngo.via (Siemens).

    Ergebnisse/Results: Die im EARL2-Standard erzeugten PET/CT-Bilder erlauben eine robuste Segmentierung. Die in relevanten Referenzorganen mittels unserer Pipeline und konventionell gewonnenen SUV sind äquivalent (Korrelation>0,8; mittlere absolute Abweichung um 0,1). Der Medianwert des PET-Signals in Organregionen erweist sich als robust gegen übliche Verschiebungen zwischen der PET- und CT-Komponente.

    Schlussfolgerungen/Conclusions: Die Inventarisierung von Bildserien erschließt diese für die massenhafte Nutzung bildbasierter Phenotypisierung in DIZen der MI-I und kann bei fehlender oder nicht eindeutiger OPS-Kodierung der Bildgebung den Datenbestand im FHIR-Server ergänzen. Unsere Pipeline misst vollautomatisch valide Werte in relevanten Referenzorganen. Ihr modularer Aufbau erleichtert die Anpassung an verschiedene Szenarien der lokalen Bildarchivierung und die Einbindung frei programmierbarer Analysemodule.


     

    Publication History

    Article published online:
    25 March 2024

    © 2024. Thieme. All rights reserved.

    Georg Thieme Verlag
    Rüdigerstraße 14, 70469 Stuttgart, Germany