Page 21 - TU Dresden - StuFoExpo 2024: Book of Abstracts

5 Medizin

Automatische Segmentierung von Normalgewebsstrukturen
im Hirn anhand von MRT-Bilddaten

Porath, Sandra Theresa | sandra_theresa.porath@mailbox.tu-dresden.de
Medizinische Fakultät, Technische Universität Dresden
_____________________________________________________________________________________________________

Die Bestrahlungsplanung in der Strahlentherapie ist ein patientenspezifischer Prozess, bei dem
mithilfe bildgebender Verfahren wie der Computertomographie (CT) und Magnetresonanztomo-
graphie (MRT) sowie spezieller Software die optimale Dosisverteilung berechnet wird. Ziel ist es,
Tumorgewebe gezielt zu zerstören und umliegende gesunde Gewebsstrukturen, die sogenannten
Risikoorgane, zu schonen. Die manuelle Konturierung dieser Strukturen durch einen erfahrenen
Experten ist ein zentraler Bestandteil des Prozesses, erfordert jedoch hohe Arbeitsressourcen. Da
die Konturierung auf subjektiven Einschätzungen und Erfahrungen der Experten basiert, können
Unterschiede in der Definition der Risikoorgane entstehen. Um diesen Herausforderungen entge-
genzuwirken, gewinnen automatische Segmentierungsverfahren zunehmend an Bedeutung. Ne-
ben der Nutzung von CT-Bilddaten zur Konturierung spielt, speziell bei Hirntumorbehandlungen,
die MRT aufgrund hoher Weichgewebskontraste eine wichtige Rolle.

In diesem Kontext wurde der Einfluss der genannten bildgebenden Modalitäten, insbesondere un-
terschiedlicher MRT-Sequenztypen, auf die Leistungsfähigkeit eines Deep Learning (DL) basierten
Segmentierungstools zur Konturierung von Risikoorganen im Hirn untersucht.

Die Untersuchung erfolgte unter Berücksichtigung von CT- und MRT-Daten, manuell erstellten Kon- MEDIZIN
turen sowie der Dosisverteilung von 134 Hirntumorpatienten, die am Zentrum der Universitäts
Protonen Therapie Dresden behandelt wurden. Mithilfe eines DL-basierten Tools wurden jeweils
sieben ausgewählte Hirnstrukturen bei einer definierten Anzahl von Testpatienten auf verschiede-
nen Bilddatensätzen automatisch segmentiert. Die Ergebnisse des DL-Tools wurden mithilfe quan-
titativer Metriken, wie dem Dice Similarity Coefficient (DSC) und Distanzmetriken (Hausdorff-Dis-
tanz, Mean Surface Distance), mit den manuellen Konturierungen verglichen. Weiterführend er-
folgte die Analyse des Einflusses auf die Dosisverteilung sowie eine Abschätzung möglicher Dosis-
abweichungen in Bezug auf erwartbare Nebenwirkungen.

Die Ergebnisse zeigen, dass das auf MRT-Daten trainierte DL-Modell vergleichbare mediane Werte
der quantitativen Metriken wie das CT-basierte Modell liefert, jedoch häufiger Ausreißer aufweist.
Zwar bietet die MRT aufgrund des hohen Weichgewebskontrastes und der variablen Scanparame-
ter einen klinischen Mehrwert, doch die daraus resultierende Variabilität in den Bilddaten er-
schwert bei einem begrenzten Datensatz die Entwicklung eines allgemein anwendbaren Modells.
Zudem beeinträchtigen der zusätzliche Datenverarbeitungsaufwand und die höhere Artefaktanfäl-
ligkeit bei MRT-Daten die Konsistenz der Segmentierungsergebnisse. Daher ist eine große Menge
an vielfältigen Daten erforderlich, um ein generalisierbares Modell zu entwickeln, das eine zuver-
lässige Verarbeitung unbekannter Datensätze gewährleistet.

Dennoch verdeutlicht die Analyse, dass die DL-basierten Modelle als zeitsparende Alternative in
retrospektiven Studien unter Berücksichtigung manueller Anpassungen Anwendung finden kön-
nen.

16