Universität zu Köln

Jendreizik, Hannah (2021). Detektion von Hirnmetastasen in Black Blood MRT Sequenzen und T1 Sequenzen durch Convolutional Neural Networks. PhD thesis, Universität zu Köln.

PDF Dissertation Jendreizik KUPS.pdf Download (1MB)

Abstract

In den vergangenen Jahren zeigt sich eine steigende Inzidenz von Hirnmetastasen deren Diagnose die Überlebenszeit von Patient*innen auf eine Prognose von wenigen Monaten einschränkt. Daher ist eine sensitive und spezifische Diagnostik von Hirnmetastasen zur Planung einer individualisierten und interdisziplinären Therapie unerlässlich8. Zur Detektion von Hirnmetastasen ist die Magnetresonanztomographie (MRT) das Verfahren der Wahl und der Computertomographie (CT) überlegen9. Besonders die Detektion kleinerer Metastasen (<15mm2; <5mm Short Axis Diameter (SAD)) in der MRT Standardsequenz, der Kontrastmittel verstärkten T1 Spin Echo (T1 SE) Sequenz, ist aufgrund der Ähnlichkeit der Metastasen zu kontrastierten angeschnittenen Blutgefäßen problematisch. Eine andere Sequenz, die Black Blood (BB) Sequenz, hat das Potenzial dieses Problem zu lösen. BB Sequenzen unterdrücken das Signal des fließenden Blutes und stellen dieses dadurch hypointens dar. In Folge dessen sind die durch eine Kontrastmittelgabe hyperintens betonten Metastasen besser sichtbar. Inwiefern dieser visuelle Vorteil jedoch einen klinischen Vorteil in der Hirnmetastasendetektion bedingt, wurde bislang noch nicht ausreichend untersucht. Ziel dieser Arbeit ist es zu zeigen, ob ein vortrainiertes Convolutional Neural Network (CNN) besser an T1 SE Sequenzen oder an BB Sequenzen trainiert werden sollte, um sensitiver und spezifischer Hirnmetastasen zu detektieren. 85 Patient*innen wurden in die Studie eingeschlossen. Davon wiesen 26 Patient*innen insgesamt 47 Hirnmetastasen auf. Durch Augmentation der Bilder erstellten wir 316 BB Sequenzen von Hirnmetastasen und 1175 Kontrollbilder sowie 274 T1 Sequenzen von Hirnmetastasen und 981 Kontrollbilder, an denen das CNN trainiert wurde. Vor der Bildaugmentation wurden 10% der Originalbilder als Evaluationsdatenbank für die spätere Testung des CNNs zur Seite gelegt. Ab dem 45. Trainingsschritt zeigte das mit den BB Sequenzen trainierte Netzwerk, gemessen an der Validierungsgenauigkeit, eine signifikant bessere Performance als das an konventionellen T1 Daten trainierte Netzwerk (p<0,01). Die Analyse der Evaluationsdatenbank ergab für das mit T1 SE Sequenzen trainierte Netzwerk eine niedrige Spezifität und Sensitivität mit einer Fläche unter der Kurve (Area Under the Curve; (AUC)) von 0,534, während das auf BB Sequenzen basierende Netzwerk, mit einer AUC von 0,869, deutlich besser performte. Die Rate von falsch positiven Ergebnissen lag bei nur zwei pro Fall. Besonders die Detektion kleinerer Metastasen (<15mm2; <5mm SAD) erwies sich sowohl bei der Trainingsdatenbank als auch bei der Ergebnisdatenbank als effektiver durch das mit BB Sequenzen trainierte Netzwerk (p<0,5).

Item Type:	Thesis (PhD thesis)
Creators:	Creators Email ORCID ORCID Put Code Jendreizik, Hannah hannah.jendreizik@marienhospital-bruehl.de UNSPECIFIED UNSPECIFIED
Contributors:	Contribution Name Email Thesis advisor Borggrefe, Jan Jan.Borggrefe@muehlenkreiskliniken.de
URN:	urn:nbn:de:hbz:38-701834
DOI:	10.3390/diagnostics11061016
Date:	1 June 2021
Publisher:	Diagnostics
Place of Publication:	Online
Language:	German
Faculty:	Faculty of Medicine
Divisions:	Faculty of Medicine > Radiologische Diagnostik > Institut und Poliklinik für Radiologische Diagnostik
Subjects:	Medical sciences Medicine
Uncontrolled Keywords:	Keywords Language brain metastasis English Black blood MRI English Hirnmetastasen German Black Blood MRT German Convolutional neural networks English
Date of oral exam:	14 April 2023
Referee:	Name Academic Title Borggrefe, Jan Universitätsprofessor Dr. med. J. Borggrefe Hampl, Jürgen Universitätsprofessor Dr. med. J. A. Hampl
Refereed:	Yes
URI:	http://kups.ub.uni-koeln.de/id/eprint/70183