Zur automatisierten Detektion und Klassifikation von Leberläsionen im CT der Leber

Zielsetzung:

Vergleich von ärztlicher Auswertung und einem Radiomics-basierten Algorithmus zur Klassifikation von Leberherden.

Material und Methoden:

Aus einer PACS-Datenbank wurden die CT-Aufnahmen von 62 Patienten (mittleres Alter 66,7; SD 10,6) nach den folgenden Kriterien ausgewählt: Multislice-CT (Philips Ingenuity 40Z und 128Z, GE Optima 660) mit 1,25 mm Schichtdicke und Verdacht auf Lebermetastasen. Die Läsionen wurden im ersten Schritt semiautomatisch annotiert mit einem computerbasierten Tool, um die Durchmesser, die Lokalisation und die Wertung benigne/maligne Läsion ärztlich durchzuführen. In einem zweiten Schritt wurden die gleichen Herde nach automatischer Extraktion von insgesamt 30 Form-, Intensitäts- und Texturmerkmalen mit einem Radiomics-Ansatz analysiert. Dazu wurde ein Random Forest-Klassifikator mit 20 Bäumen 50-mal auf 80% der Daten trainiert und auf 20% der Daten validiert.

Ergebnisse:

Es wurden insgesamt 767 Läsionen (700 Metastasen, 67 Zysten) ärztlich identifiziert. Andere Funde (z.B. Hämangiome, Biliome, Narben) wurden aufgrund der zu geringen Anzahl nicht einbezogen. Für das Zwei-Klassen-Klassifikationsproblem ergab sich: Die Fläche unter der ROC-Kurve betrug 0,93, Sensitivität und Spezifität waren 0,97 und 0,86. PPV und NPV waren 0,99 und 0,69.

Schlussfolgerungen:

Die Leistung des Klassifikators hat nach aktuellem Stand eine Aussagekraft, auf dem er die Arbeit der Radiologen unterstützen könnte, indem die malignen Befunde relativ sicher und die benignen Befunde häufig identifiziert werden. Weitere Arbeiten erscheinen notwendig, insbesondere zu einem Deep-Learning-basierten Detektor, der dem Klassifikator vorgeschaltet werden kann und damit zu einem vollautomatisierten System für die Befundvorbereitung führen könnte.