Automatisierte Segmentierung pulmonaler Arterien und Venen in Thorax-CTs

Zielsetzung Die Segmentierung pulmonaler Arterien und Venen (PA, PV) bietet wertvolle Unterstützung bei der Lungendiagnostik und Planung chirurgischer Tumorresektionen. Da manuelle Segmentierungen mit mehreren Stunden zeitaufwändig sind, werden automatisierte Lösungen dringend benötigt. Diese Studie zielt darauf ab, ein KI-Modell zur automatischen Multiklassen-Segmentierung von PA und PV auf Thorax-CTs zu entwickeln.

Material und Methoden 46 PatientInnen (63±10 Jahre, 41% weiblich) mit Lungenpathologien (Lungenkrebs, Atelektase, Emphysem-Bullae und Pneumothorax) wurden retrospektiv eingeschlossen. Die Bildakquisition von CTPAs in der arteriellen Phase erfolgte multizentrisch mit insgesamt 8 unterschiedlichen Scannern und variabler Schichtdicke (0.8-1.5mm). ExpertInnenannotationen der PA und PV lagen innerhalb der Lunge für alle Scans vor. Die Daten wurden in Trainings-, Validierungs- und Testsets (28/8/10 Fälle) aufgeteilt, um ein nnU-Net für die Segmentierung zu trainieren. Die quantitative Leistungsbewertung erfolgte mittels Dice (DSC) und clDice unter Verwendung des Medians und Konfidenzintervalls (Bootstrapping).

Ergebnisse Die Analyse der 10 Testfälle ergab eine hohe Übereinstimmung zwischen Referenz und Modellvorhersagen mit DSC_PA=0.836% (95%-CI: 0.825-0.858) und DSC_PV=0.867% (95%-CI: 0.832-0.876). Die Segmentierungen zeigten visuell überwiegend zusammenhängende Gefäßstrukturen, was ein hoher clDice_PA=0.848% (95%-CI: 0.818-0.873) und clDice_PV=0.868% (95%-CI: 0.859-0.880) bestätigen. Falsch klassifizierte Äste traten in erkrankten und vereinzelt in gesunden Lungenbereichen auf.

Schlussfolgerungen Das entwickelte Deep Learning-Modell kann den Großteil der PA und PV in den Testdaten korrekt und zuverlässig segmentieren. Es erreicht zwar noch nicht die Qualität einer manuellen Segmentierung durch RadiologInnen, liefert jedoch schnelle Ergebnisse und kann durch zusätzliche Trainingsdaten weiter optimiert werden. Es wird im RACOON-Netzwerk verteilt und steht allen Unikliniken für die Forschung zur Verfügung.

Publication History

Article published online:
25 March 2025