Automatisierte Meningeom Detektion und Segmentierung in multiparametrischen MRT Bilddaten mittels Machine Learning

Zielsetzung:

Für die Primärdiagnostik, Resektionsplanung und Verlaufskontrollen von Meningeomen werden klare Informationen hinsichtlich der Tumordetektion und des Tumorvolumens benötigt. Die Volumenanalyse zur Detektion von Tumorwachstum ist der klassischen Diameteranalyse überlegen. In dieser Studie wurde ein multiparametrisches Deep-Learning-Model (DLM) bei Routine-MR-Daten (verschiedene MR-Scanner) zur Detektion und Segmentierung von Meningeomen angewandt.

Material und Methoden:

MRT-Daten (T1-/T2-gewichtet, T1-gewichtet mit Kontrastmittel [T1CE], FLAIR) von n = 38 Grad I und n = 18 Grad II nicht-behandelten Meningeomen standen zur Verfügung. Neun Patienten wurden wegen Leukenzephalopathie, einem zerebralen Zweitmalignom oder starken Artefakten, zuvor ausgeschlossen. Der Tumorgrad wurde histopathologisch bestimmt. Das DLM wurde anhand eines unabhängigen Datensatzes von 249 Gliomen trainiert und segmentiert vier verschiedene Tumorklassen (definiert durch die BRATS-Kriterien). Das DLM basiert auf der Deep-MEDIC-architecture (Kamnitsas 2016): 3D-convolutional-neural-network für die Segmentierung und 3D-post-processing um falsch positive Strukturdetektionen auszuschließen. Die Ergebnisse wurden mit der manuellen Segmentierung eines erfahrenen Radiologen in FLAIR und T1CE verglichen.

Ergebnisse:

Das DLM detektierte das Meningeom bei 55 von 56 Patienten. Weiterhin korrelierte die automatisierte Segmentierung stark mit der manuellen Segmentierung: durchschnittliche Dice-Koeffizienten von 0.81 ± 0.10 (0 – 46 – 0.93) für das gesamte Tumorvolumen (Zusammenschluss der Tumorvolumen in FLAIR und T1CE) und 0.78 ± 0.19 (0.27 – 0.95) für Kontrastmittel-anreichernden Tumor in T1CE.

Schlussfolgerungen:

Das DLM erlaubte eine präzise Detektion und Segmentierung von Meningeomen obwohl heterogene MRT-Daten von unterschiedlichen Geräten verwendet wurden. Durch die automatisierte Detektion und Segmentierung könnte die zukünftige klinische Beurteilung und Behandlung dieser häufigen Tumorentität verbessert und vereinfacht werden.

Die Autoren geben an, dass kein Interessenkonflikt besteht.