Vollautomatische Segmentierung inklusive Lumen, Thrombus und Verkalkung.

Highlights

• Convolutional Neural Networks (CNN) haben sich als Referenz für die medizinische Bildsegmentierung etabliert.
• Das CNN ermöglichte eine präzise Segmentierung von arteriellem Lumen, Thrombus und Verkalkungen.
• Eine korrekte automatische Erkennung von 86 % der wichtigsten Kollateralarterien wurde erreicht.
• Eine vollautomatische, komplexe aortoiliakale Segmentierung ist praktikabel und präzise.

Zielsetzung

• Künstliche Intelligenz und digitale Zwillinge eröffnen neue Wege bei der Planung endovaskulärer Eingriffe und helfen Ärzten dabei, Komplikationen vorherzusehen. Die Genauigkeit dieser Methoden basiert auf einer zuverlässigen automatisierten Aortensegmentierung, einschließlich der Erfassung von intraluminalen Thromben (ILT), Verkalkungen und Kollateralarterien. Ziel dieser Studie war die Validierung eines neuen, vollautomatisierten, auf Deep Learning basierenden Algorithmus zur Aortensegmentierung, der für eine optimierte Erstellung digitaler Zwillinge eingesetzt werden kann.

Methoden

• Nach dem Training mit 1280 CT-Angiographie-Scans (1000 für das Vortraining und 280 für die Feinabstimmung) wurde ein auf einer U-Net-Architektur basierendes Convolutional Neural Network extern an 48 CT-Angiographie-Scans validiert, um das Lumen, die Kollateralarterien, ILT sowie parietale Verkalkungen der Bauchaorta und der Beckenarterien zu segmentieren. Zur Erstellung der Referenzdaten (Ground Truth) wurden verblindete, manuell korrigierte Segmentierungen durch einen erfahrenen Radiologen und einen Chirurgen durchgeführt.

Ergebnisse

• Der Vergleich zwischen der vollautomatisierten und der manuell korrigierten Segmentierungsmethode ergab einen mittleren Dice-Koeffizienten von 0,97 ± 0,01 für das Aortenlumen, 0,94 ± 0,05 für ILT und 0,87 ± 0,04 für Verkalkungen. Der durchschnittliche Oberflächenabstand betrug 0,30 ± 0,15 mm für das Aortenlumen, 0,61 ± 0,72 mm für ILT und 0,28 ± 0,28 mm für Verkalkungen. Die durchschnittliche Segmentierungszeit lag bei der vollautomatisierten Methode bei vier Minuten und 20 Sekunden.

Fazit

• Der in dieser Studie entwickelte Deep-Learning-Algorithmus ermöglichte eine valide, schnelle und präzise aortoiliakale Segmentierung. Dies kann genutzt werden, um zuverlässige digitale Zwillinge der Aorta für die Planung endovaskulärer Aortenreparaturen automatisch zu generieren.

‍

Lesen Sie den vollständigen Artikel „Validation of a deep learning U-Net Algorithm for multistructure segmentation of infrarenal abdominal aortic aneurysms including flow lumen, thrombus, and calcifications“.