Zielsetzung:
Die automatische Detektion PSC-typischer Veränderungen in 3D-MRCP Datensätzen.
Material und Methoden:
428 Patienten (m = 274/w = 154, Alter 42,5 ± 18,5 Jahre), die im Rahmen der klinischen
Routine eine Leber MRT inklusive 3D-MRCP erhielten, wurden in diese retrospektive
Studie eingeschlossen. Bei 206 Patienten lag eine gesicherte PSC vor, bei den restlichen
222 Patienten wurde diese Diagnose ausgeschlossen. Das Studienkollektiv wurde randomisiert
in eine Trainings- (n = 386) und Validierungsgruppe (n = 42) aufgeteilt. Für jeden
Einzelfall wurden 20 uniform verteilte Rotationen in der axialen Ebene mit anschließender
Erstellung einer Maximumintensitätsprojektion (MIP) berechnet. Dies resultierte in
einem Trainingsdatensatz von 7720 und einem Validierungsdatensatz von 840 2D Bildern.
Schließlich wurde ein Inception-ResNet (Inception-v4 arXiv:1602.07261) trainiert,
welches mit vorher an ImageNet gelernten Gewichten initialisiert wurde. Abschließend
wurde ein Fine-Tuning des gesamten Netzes mit einer geringen Learning Rate (10^{-5})
vorgenommen.
Ergebnisse:
Der mittlere absolute Fehler (MAE) auf dem Validierungsdatensatz liegt bei unzureichenden
30%. Dieser Wert konnte allerdings durch eine Ensemblestrategie auf 7,1% (3/42) verbessert
werden. Hierfür wurden die 20 zusammengehörigen Projektionen eines Falls gebinnt und
ein Mehrheitsvotum gefällt. Des Weiteren ergeben sich eine Sensitivität von 95,0%,
eine Spezifität von 90,9%, ein positiver prädiktiver Wert von 90,5% sowie ein negativer
Vorhersagewert von 95,2% für den Nachweis PSC-typischer cholangiografischer Veränderungen
in der 3D-MRCP.
Schlussfolgerungen:
Die Ergebnisse dieser Studie zeigen, dass es mittels Transfer Learning möglich, PSC-typische
cholangiografische Veränderungen in der 3D-MRCP mit einem MAE von 7.1% vorherzusagen.
Eine weitere Validierung mit mehr und multizentrischen Daten sollte erfolgen, da neuronale
Netze sonst erfahrungsgemäß zum Overfit auf die Charakteristiken des Datensatzes neigen.
