RSS-Feed abonnieren
DOI: 10.1055/s-0040-1703311
Charakterisierung von Hirnläsionen - Vergleich einer neuen Deep Learning basierter Software-Lösung mit akademischen Standardlösungen
Publikationsverlauf
Publikationsdatum:
21. April 2020 (online)
Zielsetzung Vergleich eines neuen Deep Learning (DL) Algorithmus mit SPM für die Anwendung bei Multipler Sklerose (MS).
Material und Methoden In dieser Studie wurden Läsionen der weißen Hirnsubstanz mit drei verschiedenen Algorithmen charakterisiert: SPM-Software-Toolboxen ((i) LST und (ii) SLS) und (iii) unsere neue DL-basierte Softwarelösung mdbrain. Während (i) und (ii) in der wissenschaftlichen Gemeinschaft zur Erkennung und Quantifizierung von MS-Läsionen bereits weit verbreitet sind, ist (iii) ein neuer Algorithmus mit einer U-Net-Architektur, der vollständig in 3D funktioniert. Dieser wurde mit 77 Ground Truth (GT) Masken mittels Augmentation trainiert und an 21 Datensätzen validiert. Alle Algorithmen wurden auf dem LITMS-Datensatz getestet (nicht Teil der Trainingsdaten von (iii)), der Patienten mit bestätigter MS-Diagnose beinhaltet. Die einzelnen Läsionen (Läsionslast: 0,34-52,45 ml) wurde von 3 unabhängigen Experten auf Basis von 3D-T1w und 3D-T2-Flair Bildern segmentiert. Die Performance wurde mit dem F1-Wert für die Erkennung von Läsionen und dem Dice-Score für die Segmentierung validiert.
Ergebnisse Für die Erkennung von Läsionen zeigte mdbrain einen signifikant höheren mittleren F1-Wert von 0,60±0,08 im Vergleich zu 0,35±0,12/0,36±0,12 für (i)/(ii). Auch in Bezug auf die Übereinstimmung der Segmentierung im Vergleich zur GT wurde ein besserer mittlerer Dice-Score von 0,61±0,17 im Vergleich zu 0,51±0,20/0,51±0,21 mit SPM erreicht. Alle Ergebnisse sind unabhängig von der berechneten Läsionslast.
Schlußfolgerungen Im Vergleich zu SPM zeigt mdbrain sowohl bei der Segmentierung als auch bei der Erkennung von Läsionen bessere Ergebnisse, unabhängig von der tatsächlichen Läsionslast. Dies spiegelt sich in den verbesserten Mittelwerten und einer geringeren Standardabweichung wider. Unter Berücksichtigung der kürzeren Auswertungszeit (~10sek vs. ~4min) und des im Vergleich zu SPM vollautomatischen Auswertungsworkflows ist unser neuer DL Algorithmus ein wertvolles Werkzeug für den täglichen Einsatz bei der MS-Diagnostik.
#