Klinische Evaluation automatischer Deep Learning basierter Meningeomsegmentierungen in multiparametrischen MRT Bilddaten

Zielsetzung Die Segmentierung von Meningeomen ist relevant für die Primärdiagnostik, Resektionsplanung und Verlaufskontrolle. Insbesondere die Detektion von Tumorwachstum ist verglichen mit klassischen Diametermethoden durch eine Volumenanalyse sensitiver. Im Rahmen dieser Studie haben wir ein Deep Learning Model (DLM) zur voll automatischen Segmentierung von Meningeomen anhand multiparametrischer multizentrischer MRT-Datensätze aus der klinischen Routine trainiert und an einer unabhängigen Kohorte evaluiert.

Material und Methoden 125 MRT-Datensätze (T1-/T2-gewichtet, T1-gewichtet mit Kontrastmittel [T1CE], FLAIR) von histologisch gesicherten Meningeomen wurden in die Studie eingeschlossen. Das DLM wurde anhand von manuellen Segmentierungen von 70 Meningeomen, erstellt von zwei unabhängigen Radiologen, trainiert (Trainingsgruppe) und an weiteren 55 Meningeomen (Testkohorte) evaluiert. Die Ground Truth Segmentierung in der Testkohorte wurde von zwei weiteren Radiologen im Konsensus erstellt. Die segmentierten Tumorvolumen waren der Kontrastmittel-anreichernde Tumor in T1CE und das gesamte Tumorvolumen (Zusammenschluss der Tumorvolumen in FLAIR [inklusive Ödem] und T1CE). Das DLM basiert auf der Deep-MEDIC-Architektur und beinhaltet ein 3D-convolutional-neural-network für die Segmentierung. Dice-Koeffizienten wurden zur Evaluierung der Übereinstimmung der manuellen und automatischen Segmentierungen berechnet.

Ergebnisse In der unabhängigen Testkohorte korrelierten automatische und manuelle Segmentierungen sehr gut: Dice-Koeffizienten von 0.91±0.08 für Kontrastmittel-anreichernden Tumor in T1CE und 0.82±0.12 für das gesamte Tumorvolumen. In der Trainingsgruppe lagen die Interreader-Variabilitäten bei 0.92±0.07 für Kontrastmittel-anreichernden Tumor und 0.88±0.05 für das gesamte Tumorvolumen.

Schlußfolgerungen Das DLM ermöglicht eine verlässliche voll automatische Segmentierung von Meningeomen, wobei die Genauigkeit des DLM mit manuellen Segmentierungen und entsprechenden Interreader-Variabilitäten vergleichbar ist.