Schweizer Forscher haben ein robustes KI-Modell entwickelt und getestet, das wichtige anatomische Strukturen in MRT-Bildern automatisch und sequenzunabhängig segmentiert. Dies geht aus einer heute in Radiology , einer Fachzeitschrift der Radiological Society of North America ( RSNA ), veröffentlichten Studie hervor. In der Studie schnitt das Modell besser ab als andere öffentlich verfügbare Tools.
Die MRT liefert detaillierte Bilder des menschlichen Körpers und ist für die Diagnose verschiedener Erkrankungen von entscheidender Bedeutung, von neurologischen Störungen bis hin zu Verletzungen des Bewegungsapparats. Zur detaillierten Interpretation von MRT-Bildern werden die Organe, Muskeln und Knochen in den Bildern umrissen oder markiert, was als Segmentierung bezeichnet wird.
„MRT-Bilder werden traditionell manuell segmentiert, was ein zeitaufwändiger Prozess ist, der intensive Arbeit der Radiologen erfordert und von Leser zu Leser unterschiedlich ausfällt“, sagte Dr. Jakob Wasserthal, Forschungswissenschaftler in der Radiologieabteilung des Universitätsspitals Basel in der Schweiz. „Automatisierte Systeme können möglicherweise die Arbeitsbelastung der Radiologen verringern, menschliche Fehler minimieren und konsistentere und reproduzierbarere Ergebnisse liefern.“
Dr. Wasserthal und seine Kollegen entwickelten ein Open-Source-Tool zur automatischen Segmentierung namens TotalSegmentator MRI auf Basis von nnU-Net, einem selbstkonfigurierenden Framework, das neue Maßstäbe in der medizinischen Bildsegmentierung gesetzt hat. Es passt sich mit minimalem Benutzereingriff an jeden neuen Datensatz an und passt seine Architektur, Vorverarbeitung und Trainingsstrategien automatisch an, um die Leistung zu optimieren. Ein ähnliches Modell für CT (TotalSegmentator CT) wird von über 300.000 Benutzern weltweit verwendet, um täglich über 100.000 CT-Bilder zu verarbeiten.
In der retrospektiven Studie trainierten die Forscher TotalSegmentator MRI, um sequenzunabhängige Segmentierungen wichtiger anatomischer Strukturen anhand eines zufällig ausgewählten Datensatzes von 616 MRT- und 527 CT-Untersuchungen bereitzustellen.
Der Trainingssatz umfasste Segmentierungen von 80 anatomischen Strukturen, die typischerweise zur Volumenmessung, Krankheitscharakterisierung, Operationsplanung und opportunistischen Untersuchung verwendet werden.
„Unsere Innovation bestand darin, einen großen Datensatz zu erstellen“, sagte Dr. Wasserthal. „Wir haben viel mehr Daten verwendet und viel mehr Organe, Knochen und Muskeln segmentiert als bisher. Unser Modell funktioniert auch mit verschiedenen MRT-Scannern und Bildaufnahmeeinstellungen.“
Um die Leistung des Modells zu bewerten, wurden Dice-Scores – die messen, wie ähnlich sich zwei Datensätze sind – zwischen vorhergesagten Segmentierungen und Referenzstandards der Radiologen für Segmentierungen berechnet. Das Modell zeigte bei allen 80 Strukturen eine gute Leistung und erreichte einen Dice-Score von 0,839 bei einem internen MRT-Testsatz. Es übertraf auch zwei öffentlich verfügbare Segmentierungsmodelle deutlich (0,862 gegenüber 0,838 und 0,560) und erreichte die Leistung von TotalSegmentator CT.
„Unseres Wissens ist unser Modell das einzige, das automatisch die höchste Anzahl von Strukturen auf MRTs jeder Sequenz segmentieren kann“, sagte er. „Es ist ein Werkzeug, das die Arbeit der Radiologen verbessert, Messungen präziser macht und andere Messungen ermöglicht, die manuell zu viel Zeit in Anspruch genommen hätten.“
https://pubs.rsna.org/journal/radiology
Entdecke mehr von LabNews
Melde dich für ein Abonnement an, um die neuesten Beiträge per E-Mail zu erhalten.
