Primäre ZNS-Lymphome: Vollautomatisierte Detektion und Segmentierung auf multiparametrischen MRT-Datensätzen mittels Deep-Learning

Zielsetzung Ziel dieser Studie war es, primäre ZNS-Lymphome (PZNSL) auf multiparametrischen, multizentrischen MRT-Datensätzen anhand eines Deep-Learning-Modells (DLM) vollautomatisch zu detektieren und zu segmentieren.

Material und Methoden Im Rahmen dieser retrospektiven Studie konnten 79 MRT-Untersuchungen des Kopfes (T1-/T2-gewichtet, T1-gewichtet mit Kontrastmittel (T1KM) und FLAIR; multizentrische Datensets) von 51 Patienten mit PZNSL identifiziert werden (November 2010-Juli 2019). Die Untersuchungen beinhalteten Scans zum Zeitpunkt der Primärdiagnose und im Verlauf bis zu einem Minimalwert des Tumorkerns von 0,25 cm³. Von diesen Scans wurden 6 Datensätze aufgrund von Artefakten und 3 Scans aufgrund schwerer Leukenzephalopathie (Fazekas III) exkludiert. Unabhängige manuelle Segmentierungen des Tumorkerns (KM-aufnehmender Anteil der T1KM) und des Ödems (FLAIR) von zwei Readern (Radiologe, Neurochirurg) bestimmten die Ground Truth (GT). Es wurde ein auf Glioblastome trainiertes 3D Convolutional Neural Network (DeepMedic, BioMedIA) verwendet.

Ergebnisse 70 Untersuchungen von 45 Patienten (durchschnittliches Alter: 62,5±13,6 Jahre, 22 Frauen) wurden inkludiert, wobei 89% der PZNSLs akkurat detektiert wurden. Das DLM erreichte zur GT eine gute Korrelation für die Volumina des Tumorkerns (durchschnittliche Größe: 11,61±12,87 cm3; medianer Dice: 0,71) und des Ödems (durchschnittliche Größe: 76,32±63,22 cm3, medianer Dice: 0,74) ohne Differenz zwischen Initial- oder Verlaufsbildgebung (p>0,05).

Schlußfolgerungen Obwohl das PZNSL einen Tumor darstellt, der häufig aus verschiedenen kleinsten KM-aufnehmenden Anteilen besteht, konnte ein initial auf Glioblastome trainiertes DLM PZNSLs auf heterogenen MRT-Datensätzen ohne dezidiertes Training unabhängig von Initial- oder Verlaufsbildgebung adäquat detektieren und segmentieren.