Deep Learning und Radiomics zur automatischen, objektiven, umfassenden Knochenmarkscharakterisierung aus Ganzkörper-MRTs – eine multizentrische Machbarkeitsstudie

Zielsetzung Radiologen können nur einen geringen Teil der komplexen Bildinformation aus Ganzkörper-MRTs (GK-MRTs) in den Befund translatieren. Ziel der Arbeit war es, eine automatische, objektive, umfassende Knochenmarkscharakterisierung zu etablieren, bei dem 30 Knochenmarksräume automatisch segmentiert und anschließend mittels Radiomics analysiert werden.

Material und Methoden Diese retrospektive multizentrische Pilotstudie umfasste 106 GK-MRTs von 102 Patienten mit (Smoldering) Multiplem Myelom aus 8 Zentren. Fünfzig GK-MRTs aus Zentrum 1 wurden für das Training des Segmentierungsalgorithmus (nnU-Net) genutzt, 56 GK-MRTs aus 8 Zentren als unabhängiger Testdatensatz. Manuelle Segmentierungen von 2700 Knochenmarksräumen von 90 Patienten wurden für Training und Test der Algorithmen angefertigt. Für jeden Knochenmarksraum wurden individuell 296 Radiomicsmerkmale berechnet.

Ergebnisse Das nnU-Net, welches 30 Knochenmarksräume individuell segmentiert und zuordnet, erreichte mittlere Dice-Scores von 0.88±0.06/0.87±0.06/0.83±0.11 in den unabhängigen Testdatensätzen von Zentrum 1/Zentrum 2/Zentrum 3-8. Ein Interrater-Experiment zwischen 2 Radiologen zeigte mittlere Dice-Scores von 0.88±0.01. Der Radiomics-Knochenmarks-Phänotyp, welcher aus 8880 Merkmalen pro Patient besteht (30 Knochenmarksräume mal 296 Radiomicsmerkmale pro Knochenmarksraum), wurde für alle Patienten berechnet. Exemplarische Fälle zeigten den Zusammenhang von Radiomicsmerkmalen mit Myelom-typischen Knochenmarksmustern.

Schlussfolgerungen Diese Pilotstudie demonstriert die Machbarkeit von automatischen, objektiven, umfassenden Knochenmarkscharakterisierungen aus GK-MRTs in multizentrischen Datensätzen und etablierte die entsprechenden Algorithmen. Die automatische Extraktion hochdimensionaler Knochenmarksprofile soll in Zukunft dazu beitragen, die Diagnostik bei Patienten mit Multiplem Myelom zu präzisieren und zu objektivieren. Reproduziert aus Investigative Radiology, doi:10.1097/RLI.0000000000000891, mit Erlaubnis von Kluwer Law International.

Publication History

Article published online:
13 April 2023