Background: Die Fontan Palliation ist das etablierte Vorgehen zur Behandlung einer Vielzahl von
angeborenen Herzfehlern vom univentrikulären Typ. Obwohl in den letzten Jahrzehnten
erhebliche Verbesserungen der Überlebensraten erzielt wurden, bleibt die damit verbundene
Physiologie anfällig für schwerwiegende Komplikationen wie Eiweißverlust-Enteropathie.
Diese Komplikation steht im engen Zusammenhang mit einer Stauung im Lymphsystem und
unterstreicht ihre Bedeutung als Risikofaktor. Eine genaue Beurteilung des Schweregrads
der Stauung erfordert die detaillierte Auswertung von Lymphperfusionsmustern im T2-gewichteten
MRT. Dies ist zeitaufwendig und erfordert ein hohes Maß an Fachwissen, was sie im
Rahmen standardmäßiger klinischer Protokolle unpraktisch macht, zudem unterliegt diese
qualitative Beurteilung einem untersucherabhängigen Bias. Die Verwendung von künstlicher
Intelligenz für Bilderkennung könnte ein mögliches Werkzeug sein, eine objektivierbare
und zuverlässige Einschätzung des Lymphstatus von Fontan Patienten zu gewährleisten.
Methods: Um potenzielle Lymph-Abnormalitäten festzustellen, erhielten Fontan-Patienten sechs
Monate nach der Operation eine T2-gewichtete MR-Untersuchung. In insgesamt 69 Scans
wurden lymphatische Malformationen annotiert und hinsichtlich ihrer Abbildungsqualität
bewertet. Im Anschluss wurde nnU-Net, ein sich automatisch konfigurierendes, Deep-Learning-basiertes
Segmentierungsmodell, auf dem zusammengestellten Datensatz trainiert, evaluiert und
zuletzt in ein Segmentierungsprogramm für die weitere Inferenz integriert.
Results: Die Leistung der Netzwerke nimmt zu, je mehr Datenaugmentierungsfunktionen enthalten
sind. Unabhängig von den spezifischen Konfigurationen und Datenfaltungen bestimmt
die anatomische Region eines Scans weitgehend die Ergebnisse der Segmentierung. Thorakale
Scans werden am genauesten vorhergesagt (DSC 0.49 ± 0.17, NSD 0.74 ± 0.26), gefolgt
von abdominalen (0.42 ± 0.19) und zuletzt Ganzkörperscans (0.26 ± 0.16). Der Schweregrad
der Lymph-Abnormalitäten hat einen großen Einfluss auf die Ergebnisse, wobei der höchste
(DSC 0.39 ± 0.13, NSD 0.76 ± 0.12) die niedrigen (DSC 0.26 ± 0.14, NSD 0.59 ± 0.26)
übertreffen.
Conclusion: Während lymphatische Malformationen in thorakalen Scans zuverlässig erkannt werden,
stellen die abdominalen Regionen eine größere Herausforderung für nnU-Net dar. nnU-Net
kann insbesondere bei thorakalen Scans akkurate Segmentierungsmasken erstellen. Diese
können klinisches Personal in dem zeitintensiven und aufwändigen Prozess der manuellen
Annotation unterstützen.
