Automatische Segmentierung und Detektion von Vestibularisschwannomen im MRT durch Deep Learning

Einführung Die automatische Segmentierung und Detektion von Pathologien im MRT durch Deep Learning rückt immer mehr in den Vordergrund. Ziel der Studie ist die Einführung eines neuen kombinierten Convolutional Neural Network (CNN) Models zur automatischen Detektion von Vestibularisschwannomen.

Material / Methoden Um Deep Learning zu ermöglichen, wurden sowohl öffentlich verfügbare MRT-Datensets von VS sowie Datensets eigener VS-Patient:innen zur Berechnung und Evaluation des kombinierten CNN Models herangezogen. Hierfür wurden die MRT-Schichten (kontrastmittelverstärkte T1 und T2 Bilder) mit der Darstellung des VS aus dem Datensatz extrahiert. Anschließend wurden VS mittels der Software Cascade von einer Otologin und einer Radiologin in den MRT-Bildern annotiert. Experimente wurden an 2D, 2,5D und 3D Variationen der Datensets vorgenommen.

Ergebnisse Für die Berechnungen wurden 242 öffentlich verfügbare Datensets und 96 interne Datensets hochaufgelöster MRT-Bilder herangezogen. Von den internen Datensets wurden 251 T1-Bilder und 246 T2-Bilder annotiert und für die Berechnung kombiniert. Durch die Berechnung mit unserem kombinierten CNN Model konnte der höchste Dice Score (DS=0,89) für das öffentliche Datenset im 3D Model mit T1 Bildern erreicht werden. Hinsichtlich unseres eigenen Datensets zeigte die Berechnung mit T1 ebenfalls eine bessere Detektion der VS als mit T2. Für beide Datensätze zeigte sich mit unserem neuen kombinierten CNN Model eine größere Genauigkeit als mit vorangehenden CNN Modellen.

Schlussfolgerung Zusammengefasst kann dieses neue kombinierte CNN-basierte Modell anhand T1 und T2-Bildern VS zuverlässig segmentieren und die Genauigkeit bestehender Modelle verbessern.

Publikationsverlauf

Artikel online veröffentlicht:
19. April 2024