Differenzierung benigner Lungenrundherde und pulmonaler Metastasen mittels Texturfeatures auf Basis der Spektraldetektor-Computertomografie

Zielsetzung:

Ziel der Studie ist es, zu untersuchen, ob benigne Lungenrundherde (BRH) und pulmonale Metastasen (PM) durch Texturfeatures erster Ordnung auf Basis der Spektraldetektor-Computertomografie (SDCT) differenziert werden können.

Material und Methoden:

Es erfolgte der retrospektive Einschluss von 66 Patienten, die klinisch indizierte SDCT-Untersuchungen des Thorax erhielten: 29 Patienten mit insgesamt 54 BRH, die durch vorherige oder Nachfolgeuntersuchungen (konstante Größe für = 6 Monate ohne Therapie) bzw. Histopathologie bestätigt wurden und 37 Patienten mit insgesamt 180 PM, die durch Histopathologie, 18F-FDG-PET-CT oder Größenänderung unter Therapie bestätigt wurden. Es erfolgte die semiautomatische Segmentierung der Läsionen (mint medical) und die Bestimmung der volumetrischen Ioddichte aus quantitativen Iodkarten, der volumetrischen HU aus konventionellen Bildern sowie der Entropie, Kurtosis, Mean oft positive pixels (MPP), Skewness und Uniformity of positive pixels (UPP) innerhalb der entsprechenden Volumina sowohl aus konventionellen Bildern als auch aus Iodkarten. Alle akquirierten Parameter wurden zur Auswertung in ein verfügbares Machine-Learning Framework transferiert (Matlab, Mathworks).

Ergebnisse:

Die K-nearest neighbor classification (KNN; 10 Nachbarn, euklidische Distanzmetrik, Kreuzvalidierung, Vorhersagegeschwindigkeit: 1200 Beobachtungen/s) erreichte mit 84.2% die beste Genauigkeit bei der Differenzierung von BRH und PM.

Schlussfolgerungen:

Basierend auf Texturfeatures erster Ordnung, die aus quantitativen Iodkarten und konventionellen Rekonstruktionen des SDCT gewonnen wurden, ermöglicht KNN eine Differenzierung benigner Rundherde und pulmonaler Metastasen mit hoher Genauigkeit.