Quantifizierung der zervikalen Spinalkanalstenose mittels vollautomatischem 3D-MRT-Segmentierungsalgorithmus

Abstract-Text deutsch

Einleitung: Die bildgebende Beurteilung der zervikalen Spinalkanalstenose basiert im klinischen Alltag zumeist auf subjektiven, oberflächlichen Kategorien. Für die optimierte Diagnostik und gezielte Behandlung ist eine präzisere und reproduzierbare Einschätzung wünschenswert. Dazu haben wir eine vollautomatische Quantifizierung der Spinalkanaleinengung über eine Segmentierung des Rückenmark- und Liquorvolumens basierend auf einem 3D-MRT-Datensatz entwickelt.

Methode: Es wurden 114 symptomatische Patienten mit vorrangig monosegmentaler Stenose und 88 gesunde Probanden prospektiv mit 3D T2 SPACE MRT der Halswirbelsäule (HWS) untersucht. Mithilfe eines trained deep convolutional neuronal network wurden Liquorraum und Rückenmark vollautomatisch segmentiert und die adapted Maximal Canal Compromise (aMCC) sowie adapted Spinal Cord Occupation Ratio (aSCOR) für alle fünf HWS-Segmente von C2 - C7 berechnet. Evaluationsverfahren und Definition der Scores sind in Abb.1 dargestellt. Drei unabhängige Experten nahmen parallel als Goldstandard die subjektive Klassifizierung der HWS-Segmente in "keine", "relative" oder "absolute" Stenose vor.

Ergebnisse: Von insgesamt 1010 ausgewerteten HWS-Segmenten ergab die subjektive Klassifizierung bei 798 (79,0%) "keine" Stenose, 85 (8,4%) eine "relative" und bei 127 (12,6%) Segmenten eine "absolute" Stenose. Assoziiert unterschieden sich die berechneten aMCC- und aSCOR-Werte zwischen diesen Gruppen signifikant (p≤0,001; Abb.2). Im 2. Schritt bestimmten wir Trennwerte mit optimaler diagnostischer Genauigkeit zur Unterscheidung von "keiner" zur "relativen" Stenose bei einem aMCC von 1,18 und aSCOR von 36,9%. Zur Differenzierung der "relativen" und "absoluten" Stenose ergaben sich entsprechend höhere Trennwerte (aMCC=1,54; aSCOR=49,3%; Abb.2).

Diskussion: Dieser vollautomatische 3D-MRT-Segmentierungsalgorithmus erreicht eine hohe und zuverlässige Genauigkeit zur Klassifizierung zervikaler Spinalkanalstenosen. Die berechneten Trennwerte können zur radiologischen Quantifizierung des Schweregrades in der klinischen Routine verwendet werden. Eine detailliertere Klassifikation auf Grundlage dieser anatomischen 3D-Daten ist in Entwicklung und soll das Verständnis der lokalen Pathophysiologie und die Korrelation zur klinischen Symptomatik verbessern.

Abb.1: Überblick zum vollautomatischen Evaluationsverfahren aus 3D T2 SPACE MRT (A), Segmentierung von Rückenmark (gelb) und Liquorraum (grün) mit Detektion der Wirbelkörper (B), Berechnung der Liquor- und Rückenmarksvolumina im mittleren Drittel jedes Segments (schattiertes Rechteck, C). Rechts: Formel zur Berechnung des aMCC (Liquoranteil des Indexsegments zu beiden umgebenden Segmenten) und aSCOR (Liquoranteil am Gesamtvolumen im Indexsegment).

Abb.2: Boxplots für aMCC- und aSCOR-Werte. Der Vergleich mittels Kruskal-Wallis-Test ergab signifikante Unterschiede zwischen allen Gruppen (p≤0,05). Die Trennwerte (rotes Rechteck) wurden mittels ROC-Analyse und Youden's-Index bestimmt.

Abstract-Text englisch

Objectives: Imaging evaluation of cervical spinal stenosis is based on human subjective classification into poorly delineable categories in clinical routine. However, to reach accurate diagnosis and targeted treatment a more precise and reliable assessment is desirable. Thus, we investigated a fully automated quantification of spinal canal compromise based on 3D T2 MRI segmentation of the spinal cord and CSF volume in correlation with human subjective classification.

Methods: 114 symptomatic patients with predominantly mono-level stenosis and 88 healthy volunteers prospectively underwent 3D T2 SPACE MRI of the cervical spine. Based on a trained deep convolutional neuronal network, CSF space and spinal cord were segmented fully automated and the adapted Maximal Canal Compromise (aMCC) and adapted Spinal Cord Occupation Ratio (aSCOR) were calculated for all five cervical segments from C2 to C7. The evaluation procedure and score definition are depicted in Fig.1. Three independent experts performed subjective classification in no stenosis, relative stenosis and absolute stenosis for definition of the ground truth.

Results: Of in total 1010 segments evaluated, subjective grading showed no stenosis in 798 (79.0%), relative stenosis in 85 (8.4%) and absolute stenosis in 127 (12.6%) segments, revealing significantly different automatically computed aMCC and aSCOR values within these groups (p≤0.001, Fig.2). In a second step, we calculated cut-offs reaching optimal diagnostic accuracy for separation of no from relative spinal stenosis at an aMCC of 1.18 and aSCOR of 36.9%. For differentiation of relative and absolute stenosis, the parameters showed correspondingly higher cut-offs (aMCC=1.54, aSCOR=49.3%, Fig.2).

Discussion: This fully automated 3D MRI segmentation algorithm reached a high and reliable diagnostic accuracy for classification of cervical spinal stenosis. The calculated cut-offs can be used for radiological quantification of the severity of spinal stenosis in clinical routine. An advanced classification for a more detailed description of spinal stenosis based on these 3D anatomical data is now under investigation to improve the understanding of local pathophysiology and correlation to clinical affection.

Figure 1: Overview of the fully automated evaluation procedure from 3D T2 SPACE MRI (A), segmentation of spinal cord (yellow) and CSF space (green) with determination of the vertebral bodies (B) and calculation of CSF and spinal cord volumes at the middle third of each evaluated segment (white shaded rectangle, C). Right: formula for aMCC (CSF proportion of the index to both surrounding segments) and aSCOR (proportion of spinal cord and CSF at the index segment).

Figure 2: Boxplots for aMCC and aSCOR values. Comparison using Kruskal-Wallis test revealed significant differences between all evaluated groups (p≤0.05). The cut-offs between groups (red rectangle) were determined by ROC analysis and calculation of Youden's index.