Subscribe to RSS
DOI: 10.1055/s-0037-1682022
Deep Semantic Segmentation von 4D DCE MRT Untersuchungen der Lunge zum Erheben Klinischer Biomarker bei Chronisch Obstruktiver Lungenerkrankung
Publication History
Publication Date:
27 March 2019 (online)
Zielsetzung:
Chronische Lungenerkrankungen sind die vierthäufigste Todesursache weltweit. Derzeit werden mehrere multizentrische Studien wie das COPD gene, SPIROMICS, MESA Lung und MESA COPD durchgeführt, um Einblicke in pathologische Signalwege zu erhalten, zur Identifizierung klinischer Biomarker für die chronisch obstruktive Lungenerkrankung (COPD). Neuartige Workflows müssen so konzipiert sein, dass die angesammelten Daten mit ausreichender Genauigkeit effizient verarbeitet werden können.
Material und Methoden:
Für die Bestimmung der regionalen Lungenperfusionsmessungen ist eine zuverlässige Lungensegmentierung unerlässlich. Wir stellen eine robuste Deep-Learning-Pipeline vor, die eine Segmentierung aller 5 Lungenlappen auf Voxelebene in MRT Perfusionskarten ermöglicht. Die Berechnung der Perfusionskarten erfolgt anhand einer 4D DCE MRT Untersuchung mittels Dekonvolution (Sourbron et al. 2007). Für das Training des neuronalen Netzes wurden 29, für die Evaluierung 61 unabhänge Untersuchungen verwendet. Die 4D DCE MRT Aufnahmen stammen aus aus zwei unterschiedlichen Instituten (Columbia FMRI Research Center und Johns Hopkins Hospital).
Ergebnisse:
Die Pipeline erreicht einen Intraklassen-Korrelationskoeffizienten für die Perfusionsparameter von jeweils über 0,98 für alle 5 Lungenlappen. Außerdem erreicht das neuronale Netz einen Dice-Koeffizienten von 93,8 ± 1.9 (Mittelwert ± Standardabweichung in Prozent), ebenfalls kumluativ für alle Lungenlappen. Auch der Mittellappen, welcher sonst nur schwer aufgrund seiner komplexen Anatomie automatisch auszuwerten ist, wird seperat ausgewiesen.
Schlussfolgerungen:
Die Pipeline ermöglicht eine nahezu vollständig automatisierte Auswertung von 4D DCE MRT Perfusionsmessungen. Die Auswertung eines Falles dauert ungefähr 2 Minuten und ermöglicht so das Auswerten großer Kohorten. Die Übereinstimmung der abgeleiteten Perfusionsparameter korreliert stark mit der manuellen Auswertung. Die guten Ergebnisse trotz des multizentrischen Studienaufbaus deuten auf eine hohe Robustheit der Pipeline hin.
#