Convolutional Neural Network zur automatisierten Segmentierung von Risikoorganen in der Bestrahlungsplanung des Prostatakarzinoms

Abstract: In dieser Arbeit wurde ein Convolutional Neural Network (CNN) zur Autokonturierung von den Risikoorganen (OAR) Blase und Rektum in der Bestrahlungsplanung von Patienten mit primärem Prostatakarzinom (PCa) trainiert und anhand einer Testkohorte validiert. Die Analysen der Segmentierungen erfolgten anhand der Volumen-Überschneidungen mit Referenz- und Experten-Strukturen, sowie nach einer visuellen Beurteilung.
192 Patienten mit einem primären PCa aus drei Standorten (Freiburg, Deutschland; Nanjing, China; Limassol, Zypern) wurden in dieses Projekt eingeschlossen. Auf Grundlage von PSMA-PET/CT-Datensätzen wurden Referenzstrukturen für die OARs definiert und die Segmentierungen, nach Randomisierung in eine Trainings- (n=142) und Testkohorte (n=30), dem CNN zugeführt (Standort Freiburg und Nanjing). Nach abgeschlossenem Training konnte das CNN souverän die Auto-Segmentierungen aller 30 Testpatienten erstellen. Zur Bewertung der Qualität dieser Segmentierungen wurden mit Hilfe des Dice-Soerensen-Coefficient (DSC) und der Hausdorff-Distanz (HD) Analysen zur Kongruenz der Volumina durchgeführt. Beim Vergleich der CNN- mit den Referenz- und Experten-Segmentierungen zeigten sich zufriedenstellende DSC-Werte im Zielbereich > 0,8. Zur Beurteilung einer möglichen klinischen Anwendbarkeit der von der KI erzeugten Segmentierungen wurden alle 30 Teststrukturen beider OARs durch zwei unabhängige Experten in eine von drei Kategorien hinsichtlich einer Übernahme in einen möglichen Bestrahlungsplan bewertet. Hierbei wurden mehr als die Hälfte der Segmentierungen als übernahmewürdig („Accepted“) bewertet. Keine Kontur wies größere Abweichungen auf, die vor Übernahme in einen Bestrahlungsplan hätten behoben werden müssen. Durch die Untersuchung von Planungs-CTs einer Validierungskohorte (n = 16) mit primärem PCa aus Limassol, Zypern konnte die externe Validität bestätigt werden. Dank einer Einzeichnung der OARs dieser Kohorte durch einen neuen, unabhängigen Experten und durch Korrelation mit den erzeugten CNN-Segmentierungen, konnten souveräne Ergebnisse nachgewiesen werden (DSC > 0,8). Der CNN-Trainingsprozess wurde somit erfolgreich abgeschlossen.
Insgesamt beweist diese Arbeit, dass CNNs erfolgreich zur Autosegmentierung von Risikoorganen trainiert und validiert werden können. Durch gute visuelle Ergebnisse konnte im Rahmen dieses Projekts zudem die klinische Relevanz aufgezeigt werden

Objekt anzeigen

• Standort: Deutsche Nationalbibliothek Frankfurt am Main
• Umfang: Online-Ressource
• Sprache: Deutsch
• Anmerkungen: Universität Freiburg, Dissertation, 2024

Klassifikation und Themen

• Schlagwort: Prostatakrebs ; Strahlentherapie ; Neuronales Netz ; Bildsegmentierung ; Segmentierung ; Bestrahlungsplan ; Künstliche Intelligenz ; Bestrahlungsplan ; Prostatakrebs

Beteiligte, Orts- und Zeitangaben

• Ereignis: Veröffentlichung
• (wo): Freiburg
• (wer): Universität
• (wann): 2024
• Urheber: Bürkle, Sophia L.
• Beteiligte Personen und Organisationen: Zamboglou, Constantinos ; Spohn, Simon Konrad Benedict ; Bamberg, Fabian ; Albert-Ludwigs-Universität Freiburg. Medizinische Fakultät ; Universitätsklinikum Freiburg. Klinik für Strahlenheilkunde

Weitere Informationen

• DOI: 10.6094/UNIFR/260327
• URN: urn:nbn:de:bsz:25-freidok-2603273
• Rechteinformation: Open Access; Der Zugriff auf das Objekt ist unbeschränkt möglich.