AI-basierte Detektion und Segmentierung von zervikalen Lymphknoten in kontrastmittelgestützten CT

Zielsetzung Entwicklung eines AI-Algorithmus zur automatischen Detektion und Segmentierung von Lymphknoten in CT-Untersuchungen des Kopf-Hals-Bereiches

Material und Methoden In der Onkologie ist die korrekte Bestimmung des N-Status essenziell zur Therapieplanung und direkt mit der Überlebensrate verknüpft, stellt in der klinischen Praxis jedoch einen hohen Zeitaufwand dar. In einer retrospektiven Single-Center-Studie wurden in 188 kontrastmittelgestützten CTs (CECTs) des Kopf-Hals-Bereiches von Patienten mit diversen Vorerkrankungen alle Lymphknoten (LK) mit einem Kurzachsendurchmesser (SAD) von≥5 mm semiautomatisch in 3D segmentiert. Ein neuronales Netz (CNN) wurde auf diesen Daten trainiert und auf einem unabhängigen Datenset von 30 CECTs von Patienten mit pathologisch vergrößerten Lymphknoten getestet.

Ergebnisse Insgesamt wurden 4704 Lymphknoten (im Mittel 21.6+/- 16.9 LK/Volumen) mit einer durchschnittlichen SAD von 6,9 cm segmentiert. Unser Algorithmus erreichte eine Detektionsrate von 93,3% im Trainings-Datenset und von 85,7% im Testdatenset mit einem mittleren Dice-Koeffizienten von 0,71. Für klinisch relevante LKs (SAD≥10 mm) lag die Detektionsrate bei 95,9%. Nach Durchsicht der potenziell falsch-positiven Lymphknoten (FP) erreichten wir 2.4 FP/Volumen.

Schlussfolgerungen Der AI-Algorithmus erreicht gute Ergebnisse insbesondere hinsichtlich der klinisch relevanten Lymphknoten. Aufgrund der geringen Anzahl an FPs und der guten Segmentierungsgenauigkeit ist er zur automatischen Segmentierung von Lymphknoten im klinischen Alltag geeignet.

Publication History

Article published online:
13 April 2023