Detektion einer Leberzirrhose in der T2-gewichteten MRT mittels Deep-Transfer-Learning

Zielsetzung Untersuchung von Deep-Transfer-Learning (DTL) basierter Erkennung einer Leberzirrhose in der klinischen MRT.

Material und Methoden Der Datensatz für diese retrospektive Studie bestand aus 713 (343 weiblichen) Patienten, bei welchen zwischen 2017 und 2019 eine Leber-MRT Untersuchung durchgeführt wurde. 553 Patienten hatten eine klinisch oder histologisch gesicherte Leberzirrhose, alle anderen hatten keine strukturelle Lebererkrankung. Für die DTL-Analyse wurde eine Schicht einer T2-gewichteten Turbo-Spinecho Sequenz (atemgetriggert, radiale k-Raum Füllung) auf der Ebene des Lobus caudatus manuell exportiert. Die Daten wurden nach dem Zufallsprinzip in Trainings-, Validierungs- und Testdaten aufgeteilt (70%/15%/15%). Zur automatischen Segmentierung der Leber in den exportierten Einzelschichten wurde ein Convolutional Neural Network (CNN) trainiert, welches dem Schema einer U-Net-Architektur folgt. Als Encoder dieses CNN wurde ein auf dem ImageNet-Archiv vortrainiertes Residual Network (ResNet34) implementiert. Zur anschließenden Erkennung einer Zirrhose auf Basis der segmentierten Bilder wurde ein vortrainiertes ResNet50 verwendet. Die Methode zur Erkennung einer Leberzirrhose wurde mit einem Assistenzarzt mit 4 Jahren und einem Facharzt für Radiologie mit 8 Jahren Erfahrung in der Leberdiagnostik verglichen. Unterschiede in der Klassifikationsgenauigkeit wurden durch einen χ²-Test ermittelt.

Ergebnisse Die Accuracy (ACC) der Segmentierung betrug 0.99 für Validierungs- (vACC) und Testdaten (tACC). Die Accuracy der DTL-Pipeline für die Zirrhose-Klassifikation (vACC0.99, tACC0.96) war im Vergleich zum Assistenzarzt (vACC0.88, p < 0.01; tACC0.91, p = 0.01) und zum zertifizierten Radiologen (vACC0.96, p < 0.01; tACC0.90, p < 0.01) signifikant höher.

Schlussfolgerungen Diese Proof-of-Principle Studie demonstriert das Potenzial von DTL für die bildbasierte Erkennung von Zirrhose auf der Grundlage T2-gewichteter MRT der klinischen Routine. Die vorgestellte Methode zeigte eine Klassifikationsgenauigkeit auf Expertenniveau.