Unabhängige Validierung eines Deep Learning nnU-Net-Tool zur Erkennung und Segmentierung von Neuroblastomen in MR-Bildern
Die Tumorsegmentierung ist in der onkologischen Bildverarbeitung von entscheidender Bedeutung. Anhand eines großen, vielfältigen Datensatzes validierten wir ein vollautomatisches, auf Deep Learning basierendes nnU-Net-Modell zur Erkennung und Segmentierung neuroblastischer Tumoren auf MR-Bildern in einer großen Kinderkohorte.
Wir nutzten ein internationales, multizentrisches, herstellerübergreifendes Bildgebungsarchiv von 300 Kindern mit neuroblastischen Tumoren, das 535 MR T2-gewichtete Sequenzen umfasste. Die automatische Segmentierung, Teil des PRIMAGE-Projekts, wurde von einem erfahrenen Radiologen gegenüber der manuellen Bearbeitung validiert. Dabei wurde die für manuelle Anpassungen benötigte Zeit aufgezeichnet und Überlappungen und räumliche Maße verglichen.
Der mittlere Dice-Ähnlichkeitskoeffizient (DSC) war mit 0.997; 0.944–1.000 (Median; Q1–Q3) hoch, wobei 6 % der MR-Sequenzen vom Netz nicht identifizierbar waren. Es wurden keine signifikanten Abweichungen in der Netzleistung nach der Chemotherapie oder in Bezug auf das MR-Magnetfeld, den Sequenztyp oder die Tumorlokalisation beobachtet. Die durchschnittliche visuelle Inspektionszeit betrug 7.9 ± 7.5 Sekunden, während die manuelle Bearbeitung, falls erforderlich (136 Masken), 124 ± 120 Sekunden dauerte.
Das automatische CNN lokalisierte und segmentierte den Primärtumor in 94 % der Fälle mit hoher Übereinstimmung mit manuell bearbeiteten Masken und stellte damit die erste Validierung eines solchen Modells zur Identifizierung und Segmentierung neuroblastischer Tumore mit MR-Bildern des Körpers dar. Der halbautomatische Ansatz, der nur geringfügige manuelle Bearbeitungen erfordert, stärkte das Vertrauen der Radiologen und reduzierte gleichzeitig die Arbeitsbelastung.
https://www.mdpi.com/2072-6694/15/5/1622