Binäre schichtweise Tumorklassifikation auf Prostata-MRTs mit Hilfe eines vortrainierten ResNet18

Zielsetzung Evaluation des Potentials des Transferlernens eines vortrainierten ResNet18 zur Klassifikation von signifikanten Prostatakarzinomen (sPC, Gleason Grade Group (GGG) >=2) auf biparametrischen Prostata-MRTs.

Material und Methoden Von 1692 läsionsannotierten 1,5 und 3,0 Tesla biparametrische MRT-Untersuchungen (T2w und DWI; 1488 institutionell, 204 aus der öffentlichen ProstateX-Challenge, 5 verschiedene 1,5 und 3,0 T Scanner), mit anschließender systematischer und gezielter MRI/TRUS-Fusionsbiopsie, dienten 1010 als Trainingsdatensatz und 682 als Testdatensatz. sPC lag in 628 Fällen (37%) vor. Nach Normalisierung und Registrierung wurden 320x320 Pixel messende die Prostata enthaltende axiale Bildausschnitte dem höchsten GGG der zugehörigen Biopsien zugeordnet. Das auf ImageNet vortrainierte ResNet18 wurde in fünffacher Kreuzvalidierung trainiert und anschließend validiert. sPC-enthaltende Untersuchungen wurden zur Balancierung des Trainings doppelt einbezogen.

Ergebnisse Das ResNet18 erreichte auf der Testkohorte eine patientenbasierte ROC-AUC von 0.839. Nach Kalibration auf die PI-RADS ≥ 3/≥4 entsprechende Sensitivität im Trainingsdatensatz ergab sich eine Sensitivität/Spezifität von ResNet18 im Testdatensatz von 0,98/0,14 bzw. 0.85/0,61 (nach Rekalibration 0,88/0.54) im Vergleich zu klinischer Befundung mit 0,98/0,14 (p = 1,00/0,85) und 0,90/0,54 (p = 0.08, 0.02, rekalibriert 1,00/0.42).

Schlussfolgerungen Das ressourcensparend trainierbare ResNet18 zeigt Potential bei der Prostata MRT Diagnose im Vergleich zu klinischer Befundung. Ein Nachteil ist der fehlende Segmentationsschritt und damit die Überprüfbarkeit der Übereinstimmung der detektierten Bereiche und bedarf weiterer Überprüfung durch Segmentationssysteme.

Publication History

Article published online:
11 May 2021