Rofo 2024; 196(S 01): S15
DOI: 10.1055/s-0044-1781510
Abstracts
Vortrag (Wissenschaft)
Herzdiagnostik

Deep Learning basierte Erstellung virtuell konstrastmittelverstärkter T1-Maps zur automatisierten Berechnung des Extrazellularvolumens in der kardialen MRT

L Bischoff
1   Universitätsklinikum Bonn, Bonn
,
S Nowak
2   Klinik für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Bonn, Bonn
,
A Isaak
2   Klinik für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Bonn, Bonn
,
M Theis
2   Klinik für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Bonn, Bonn
,
W Block
2   Klinik für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Bonn, Bonn
,
U Attenberger
2   Klinik für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Bonn, Bonn
,
M Sprinkart
2   Klinik für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Bonn, Bonn
,
J Luetkens
2   Klinik für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Bonn, Bonn
› Author Affiliations
 
 

    Zielsetzung In dieser Studie wird ein sogenanntes „generative adversarial network“ (GAN) zur automatisierten Berechnung von kontrastmittelverstärkten (KM-verstärkten) T1-Maps ausgehend von nativen T1-Maps mit anschließender Abschätzung des Extrazellularvolumens (EZV) evaluiert.

    Material und Methoden 2282 registrierte Bildpaare nativer und KM-verstärkter T1-Maps von 904 Patienten wurden retrospektiv eingeschlossen. Davon wurden 313 Bildpaare von 123 Patienten mit rezent verfügbarem Hämatokrit-Wert (<48 h) als Testdatensatz definiert. Die restlichen Bildpaare wurden zum Training eines GANs auf Basis eines U-Nets mit 5-facher Kreuzvalidierung verwendet, um ausgehend von nativen T1-Maps KM-verstärkte T1-Maps zu berechnen. Hiernach wurden jeweils reale und virtuelle EZV-Maps aus den real und virtuell KM-verstärkten T1-Maps berechnet und die gemittelten EZV-Werte mittels Bland-Altman Analyse verglichen, sowie deren Korrelation mittels Pearsons Korrelationskoeffizient (R) quantifiziert. Die diagnostische Performance der ECV-Maps in Subgruppen von Patienten mit Myokarditis oder Amyloidose wurde durch die Berechnung der Fläche unter der ROC-Kurve (AUC) ermittelt und mittels McNemar Test auf Signifikanz geprüft. 95% Konfidenzintervalle wurden mittels Bootstrapping ermittelt. Ein P-Wert von <0,05 wurde als statistisch signifikant erachtet.

    Ergebnisse Reale und virtuelle EZV-Werte hatten eine hohe Übereinstimmung (ΔECV: 2,5 ± 2,9%; R: 0,89 [0,80-0,94]). Die diagnostische Performance der EZV-Werte war gleichwertig für Patienten mit Myokarditis (reale EZV AUC=0,77 [0,64-0,87], virtuelle EZV AUC=0,76 [0,64-0,87], p=0,79) und Amyloidose (reale EZV AUC=0,99 [0,97-1], virtuelle ECV AUC=0,96 [0,87-1], p=0,69).

    Schlussfolgerungen Die GAN-basierte Berechnung KM-verstärkter T1-Maps ausgehend von nativen T1-Maps und nachfolgend die Erstellung von virtuellen EZV-Maps bietet eine Möglichkeit auf die Gabe von Kontrastmittel zu verzichten. Weitere Studien zur Evaluierung weiterer myokardialer Erkrankungen und insbesondere fokaler Läsionen sind notwendig.


    Publication History

    Article published online:
    12 April 2024

    © 2024. Thieme. All rights reserved.

    Georg Thieme Verlag
    Rüdigerstraße 14, 70469 Stuttgart, Germany