Vollautomatische, lappenbasierte Segmentierung von MR-Pefusionsmessungen in COPD Patienten mit Methoden des maschinellen Lernens

Zielsetzung:

Die bei COPD auftretenden parenchymalen Lungenperfusionsveränderungen können mit einer dynamischen 4 dimensionalen kontrastverstärkten (DCE) MRT-Untersuchung zuverlässig quantifiziert warden. Die Auswertung der Perfusionsdaten ist complex und erfordert menschliche Interaktion. Dies bindet wertvolle Ressourcen und es besteht das Risiko einer hohen Variabilität zwischen Beobachtern. Eine vollautomatische Segmentierung könnte die Beurteilung erleichtern und die Auswertung verbessern. Ziel dieser Studie war es, zu evaluieren, ob maschinelles Lernen für eine lappenbasierte Segmentierung der Lunge für 4D MR-Perfusionsmessungen verwendet werden kann.

Material und Methodik:

CT-Datensätze von 11 Studienteilnehmern mit COPD wurden maunell auf Lappenebene segmentiert und als Ground Truth akzeptiert. Diese wurden auf einen korrespondierenden 4D DCE-MRI Datensatz des gleichen Patienten registriert. Die resultierende Segmentierung wurde als MRT Ground Truth angenommen (Atlasbildung). Eine Multi-Atlas-Bildregistrierung der Atlas-MRTs auf die Ziel-MRT wurde durchführt mit anschließendem Majority Label Voting als Label-Fusions-Algorithmus. Hierbei wird aus einem Pool von Vorhersagen für jeden Voxel die Klasse mit den meisten Stimmen akzeptiert.

Ergebnisse:

Es wurde eine Überlappung der Segmentierung von 92% für Lungenflügel sowie von 85% für einzelne Lappen mit der Ground Truth erreicht. Überlappung sei definiert als (A∩B)/(A∪B) wobei A der vorhergesagten Segmentierung und B der Ground Truth entspricht (Jaccard index).

Schlussfolgerungen:

Maschinelles Lernen wurde erfolgreich für die vollautomatische lappenbasierte Segmentierung der Lunge verwendet. Die vorgestellte Methode illustriert die erste praktische Anwendung einer vollautomatischen, lappenbasierten Lungensegmentierung für 4D MR-Perfusionsmessungen.