Entwicklung und Validierung eines automatisierten Verfahrens zur unüberwachten Detektion maligner Läsionen der Prostata auf multiparametrischen PET/MRT-Datensätzen

Zielsetzung:

Ziel dieser Studie war die Entwicklung eines Algorithmus zur Detektion maligner Prostataläsionen auf multiparametrischen PET/MRT-Datensätzen. Dieses Verfahren sollte eine unüberwachte Klassifikation erlauben, also nicht vom Vorliegen einer örtlich aufgelösten Histologie als Trainingsdatensatz abhängen.

Material und Methodik:

14 Patienten mit gesichertem Prostata-Ca wurden mittels PET/MRT (Biograph mMR, Siemens) untersucht. PET-Daten (616 ± 56 MBq C11-Cholin, ca. 60 min uptake) sowie folgende MR-Daten wurden akquiriert: T2-TSE, DWI (b = 50,800 s/mm²), KM-Dynamik (Modellierung von Ktrans und Kep). Resultierende 3D-Datensätze mit 5-dimensionalen Datenpunkten (PET, T2, ADC, Ktrans, Kep) dienten als Grundlage für die weitere Auswertung.

Der implementierte Algorithmus (sFCM/SVM) besteht aus einer Kombination aus unüberwachtem sFCM- (spatially constrained Fuzzy C-Means) und überwachtem SVM-Algorithmus (Support Vector Machine). Der sFCM erzeugt hierbei Trainingsdatensätze für den SVM, welcher anschließend zur Klassifizierung von Datensätzen verwendet wird.

Die Ergebnisse des Verfahrens wurden mittels Vergleichs zu manueller Tumordetektion und histologischen Großflächenschnitten validiert.

Ergebnisse:

Das vorgestellte Verfahren zeigte eine hohe Übereinstimmung sowohl zu manueller Tumordetektion als auch zu histologischen Ergebnissen. Die pixelweise Genauigkeit betrug unter Einbezug aller Parameter 84% bzw. 88%. Die Genauigkeit nahm mit steigender Anzahl einbezogener Parameter zu. Die Hinzunahme des PET SUV als Einzelparameter führte zu einer deutlichen Verbesserung der Genauigkeit. Falsch-positive Klassifizierung wurde in entzündlich veränderten Regionen beobachtet.

Schlussfolgerungen:

Der sFCM/SVM-Algorithmus ist ein vielversprechendes Verfahren zur Klassifikation multiparametrischer PET/MRT-Daten der Prostata. Eine Anwendung auf andere Körperregionen ist grundsätzlich möglich. Der Einbezug einer größeren Anzahl an Datensätzen kann zudem eine Erhöhung der Genauigkeit und eine spezifischere Differenzierung von Läsionen ermöglichen.

E-Mail: [e-mail]