Durch Standardisierung zur individualisierten Medizin – ein Deep-Learning-Ansatz zur automatischen Segmentierung und Krankheitswerterkennung der Nasennebenhöhlen

Einleitung

Die Diagnostik von Nasennebenhöhlenerkrankungen wie chronischer Rhinosinusitis (CRS) wird durch fehlende Standardisierung erschwert. Individualisierte Ansätze bieten neue Möglichkeiten für patientenspezifische Therapien. Ziel des Projekts ist die Entwicklung eines Deep-Learning-Ansatzes zur automatischen Segmentierung und Krankheitswerterkennung in MRT-Bildern der Nasennebenhöhlen.

Material und Methoden

120 MRT-Datensätze der SHIP-Studie (insgesamt 5600 Datensätze) wurden manuell segmentiert (ITK-Snap) und als Trainingsset genutzt. Ein U-Net-Modell wurde trainiert und auf ein Testset von 173 MRT-Datensätzen angewendet. Mithilfe der Panoptica-Software konnten Metriken wie DICE und Average Symmetric Surface Distance (ASSD) evaluiert werden. Ergebnisse wurden mit klinischen Parametern (Lebensqualitätsfragebögen, Allergien etc.) korreliert, um Zusammenhänge zwischen Verschattungs-Scores und klinischen Daten zu untersuchen.

Ergebnisse

Je ein ausgewogenes Trainings- und Test-Set wurden erfolgreich etabliert. Das Modell erzielte konsistent hohe DICE-Scores über 0,9 bei der Segmentierung von Nasennebenhöhlen-Strukturen und pathologischen Verschattungen im Vergleich zur manuellen Annotation durch Experten. Die Korrelation mit klinischen Parametern ermöglichte die Entwicklung eines standardisierten Scores zur Unterstützung personalisierter Therapien.

Diskussion

Die Ergebnisse zeigen, dass Deep-Learning-Algorithmen die Diagnostik von Nasennebenhöhlenerkrankungen präzise und standardisiert verbessern. Der Ansatz ermöglicht reproduzierbare Befunde, unterstützt personalisierte Therapien und bietet neue Perspektiven für groß angelegte epidemiologische Studien und klinische Forschung.

Nein