Abstract
Purpose To create a fully automated, reliable, and fast segmentation tool for Gd-EOB-DTPA-enhanced
MRI scans using deep learning.
Materials and Methods Datasets of Gd-EOB-DTPA-enhanced liver MR images of 100 patients were assembled.
Ground truth segmentation of the hepatobiliary phase images was performed manually.
Automatic image segmentation was achieved with a deep convolutional neural network.
Results Our neural network achieves an intraclass correlation coefficient (ICC) of 0.987,
a Sørensen–Dice coefficient of 96.7 ± 1.9 % (mean ± std), an overlap of 92 ± 3.5 %,
and a Hausdorff distance of 24.9 ± 14.7 mm compared with two expert readers who corresponded
to an ICC of 0.973, a Sørensen–Dice coefficient of 95.2 ± 2.8 %, and an overlap of
90.9 ± 4.9 %. A second human reader achieved a Sørensen–Dice coefficient of 95 % on
a subset of the test set.
Conclusion Our study introduces a fully automated liver volumetry scheme for Gd-EOB-DTPA-enhanced
MR imaging. The neural network achieves competitive concordance with the ground truth
regarding ICC, Sørensen–Dice, and overlap compared with manual segmentation. The neural
network performs the task in just 60 seconds.
Key Points:
-
The proposed neural network helps to segment the liver accurately, providing detailed
information about patient-specific liver anatomy and volume.
-
With the help of a deep learning-based neural network, fully automatic segmentation
of the liver on MRI scans can be performed in seconds.
-
A fully automatic segmentation scheme makes liver segmentation on MRI a valuable tool
for treatment planning.
Citation Format
Zusammenfassung
Ziel Ziel dieser Studie war es, eine vollautomatische und zuverlässige Lebervolumetrie
in der kontrastverstärkten MRT basierend auf 3D-Deep-Learning-Algorithmen zu entwickeln.
Material und Methoden Datensätze von Gd-EOB-DTPA-verstärkten Leber-MR-Bildern von 100 Patienten wurden
von einem in der hepatobiliären Bildgebung erfahrenen Radiologen manuell segmentiert
und als Grundwahrheitssegmentierung angenommen. Die Datensätze wurden mittels einem
Kreuzvalidierungsverfahren (k = 4) in Trainings- und Validierungsdatensatz eingeteilt
und einem neuronalen Netzwerk zur automatischen Bildsegmentierung zugeführt. Zusätzlich
wurde ein Teil der Daten (n = 9) von einem zweiten Radiologen zur Bestimmung einer
Interobserver Variability segmentiert.
Ergebnisse Die manuelle Segmentierung erreichte einen Inter-Klassen-Korrelationskoeffizienten
(ICC) von 0,973, einen Sørensen-Dice-Index von 95,2 ± 2,8 % und eine Überlappung von
90,9 ± 4,9 %. Das neuronale Netzwerk erreichte einen ICC von 0,98, einen Sørensen-Dice-Index
von 96 ± 1,9 % und eine Überlappung von 92 ± 3,5 % sowie eine Hausdorff-Distanz von
24,9 ± 14,7 mm.
Schlussfolgerung Diese Studie präsentiert ein vollautomatisches Lebervolumetrie-Schema für MR-Bildgebung.
Das neuronale Netzwerk erreichte eine kompetitive Übereinstimmung mit der Grundwahrheit
bezüglich ICC, Sørensen-Dice-Index und Überlappung im Vergleich zu einer manuellen
Segmentierung. Das neuronale Netzwerk erledigte die Aufgabe in nur 60 Sekunden.
Kernaussagen:
-
Das vorgeschlagene neuronale Netzwerk hilft bei der genauen Segmentierung der Leber
und liefert detaillierte Informationen über die patientenspezifische Anatomie und
das Volumen der Leber.
-
Mithilfe eines neuronalen Netzes kann eine vollautomatische Segmentierung der Leber
in MRT-Scans in Sekundenschnelle durchgeführt werden.
-
Ein vollautomatisches Segmentierungsschema macht die Lebersegmentierung in der MRT
zu einem wertvollen Instrument für die Behandlungsplanung.
Key words
liver segmentation - liver volumetry - semantic segmentation - fully automated segmentation
- contrast-enhanced liver MRI
