XXX. Magyar Radiológus Kongresszus

3. Szekció: Mesterséges intelligencia

S03.06: Automatizált máj volumetria 3D U-Net hálózaton alapuló mesterséges intelligenciával portális fázisú CT felvételeken

Budai Bettina Katalin, Zsombor Zita, Fejér Bence, Bérczi Viktor, Maurovich Horvat Pál, Kaposi Novák Pál
Semmelweis Egyetem, Orvosi Képalkotó Klinika, Radiológiai Tanszék

Összefoglaló szövege

Célkitűzés:
A májtérfogat meghatározásához a CT felvételek manuális szegmentálása túlzottan időigényes. Alternatív, félig vagy teljesen automatikus computer asszisztált módszerek gyorsíthatják a klinikai munkafolyamatot. Célunk a májszegmentálás mesterséges intelligencia alapú, automatizált módszereinek összehasonlítása, fejlesztése.

Módszerek:
Retrospektív kutatásunkat diffúz, illetve fokális májelváltozásokat mutató 62 portális vénás fázisú CT felvétel felhasználásával végeztük. A felvételeket 5mm-es szeletvastagsággal rekonstruáltuk, majd szeletről-szeletre manuálisan kijelöltük a teljes máj területét. A májak félig automatikus szegmentálását a 3D Slicer program "grow from seeds" eszközével végeztük minden felvétel esetén minden harmadik (A módszer), illetve csak 5 előre meghatározott szelet kézi kijelölését követően (B módszer). A félig automatikus szegmentálás eredményéül kapott 3D volumeneken automatikus felület simítást végeztünk. Végül a máj teljesen automatikus 3D szegmentálására (C módszer) egy saját fejlesztésű, „teljesen kapcsolt rétegekből” álló konvolúciós neurális hálózatot (U-Net) használtunk. Az U-Net tanításához 51 manuálisan szegmentált CT felvételt használtunk, és a fennmaradó 11 felvételen, mint teszt halmazon határoztuk meg 10-szeres keresztvalidációt követően a predikció pontosságát.

Eredmények:
A félig automatikus módszerrel szegmentált 62 májvolumen meghatározásánál az A módszer esetén a Dice együttható (DSC)=átlag±SD=96,17%±0,65%, a Hausdorff átlagos távolság (Hd)=0,95±0,22mm és a Jaccard index (Jc)=92,64%±1,21% pontosságot mutatott a manuális szegmentáláshoz viszonyítva. A B módszer esetén szintén kiváló pontosságot kaptunk, DSC=93,83%±1,37%, Hd=1,83±0,67mm, és Jc=88,41%±2,26%. Végezetül a C módszer pontossága DSC=87,17%±2,37%, Hd=4,25±0,76mm, és Jc=76,73%±4,30%-nak bizonyult. A prediktált májvolumen és a teljes májtérfogat közötti térfogatkülönbség a három módszer esetén 1,85%±2,79%; 2,64%±2,78% és 4,09%±4,26% volt.

Következtetések:
Eredményeink alapján a konvolúciós neurális hálózaton alapuló automatikus szegmentálási módszer a félig automatikus módszerekhez és a manuális kijelöléshez hasonló pontossággal képes meghatározni a májvolument, felgyorsítva ezzel a klinikai munkafolyamatot.