Voll automatisierte Meningeom Segmentierung in multiparametrischen MRT Bilddaten mittels eines fortgeschrittenen spezifisch trainierten Deep Learning Models

Zielsetzung:

Die Segmentierung von Gehirntumoren spielt eine entscheidende Rolle für die Primärdiagnostik, Resektionsplanung und Verlaufskontrolle von Meningeomen. Insbesondere die Detektion von Tumorwachstum ist verglichen mit klassischen Diametermethoden durch eine Volumenanalyse sensitiver. In dieser Studie wurde ein spezifisch trainiertes multiparametrisches Deep Learning Model (DLM) bei MR-Daten aus der klinischen Routine (verschiedene MR-Scanner) zur Segmentierung von Meningeomen angewandt.

Material und Methoden:

116 MRT-Datensätze (T1-/T2-gewichtet, T1-gewichtet mit Kontrastmittel [T1CE], FLAIR) von zum Zeitpunkt der Bildgebung nicht-behandelten, histologisch gesicherten Meningeomen wurden in die Studie eingeschlossen. Das DLM wurde anhand eines unabhängigen Datensatzes von 249 Gliomen trainiert und an einem Teil unseres Meningeomdatensatzes (n = 60) weiter verbessert. Die übrigen Meningeome (n = 56) waren die Grundlage für die automatisierte und manuelle Segmentierung. Das DLM segmentiert zwei verschiedene Tumoranteile: Kontrastmittel-anreichernder Tumor in T1CE und gesamtes Tumorvolumen (Zusammenschluss der Tumorvolumen in FLAIR [inklusive Ödem] und T1CE). Das DLM basiert auf der Deep-MEDIC-Architektur (Kamnitsas 2016) und beinhaltet ein 3D-convolutional-neural-network für die Segmentierung und ein 3D-post-processing um falsch positive Strukturdetektionen auszuschließen. Die Ergebnisse wurden mit manuellen Segmentierungen von zwei erfahrenen Radiologen (im Konsensus) verglichen.

Ergebnisse:

Das DLM detektierte erfolgreich Meningeome bei 55 von 56 Patienten. Die automatisierte Segmentierung korrelierte sehr gut mit den manuellen Segmentierungen: durchschnittliche Dice-Koeffizienten von 0.87 ± 0.15 für Kontrastmittel-anreichernden Tumor in T1CE und 0.82 ± 0.12 für das gesamte Tumorvolumen.

Schlussfolgerungen:

Deep learning basierte automatisierte Segmentierung von Meningeomen erzielte eine ausgezeichnete Segmentierungsgenauigkeit, die mit generellen Interreader-Variabilitäten vergleichbar ist.