Marcus Belke (Marburg / DE; Frankfurt a. M. / DE), Felix Zahnert (Marburg / DE), Panagiota-Eleni Tsalouchidou (Marburg / DE), Ralf Dichmann (Frankfurt a. M. / DE), Rene-Maxime Gracien (Frankfurt a. M. / DE), Felix Rosenow (Frankfurt a. M. / DE), Katja Menzler (Marburg / DE), Susanne Knake (Marburg / DE; Frankfurt a. M. / DE)
Abstract-Text (inklusive Referenzen und Bildunterschriften)
Einführung
Eine Hippokampussklerose (HS) ist im MRT Scan durch folgende Merkmale des Hippokampus charakterisiert: 1) Atrophie, 2) T2 (FLAIR) Hyperintensität, 3) Verlust an interner Struktur (1).
Obwohl eine HS mit einem Anteil von 36.4% die häufigste Pathologie bei epilepsiechirurgischen Eingriffen ist (2), ist es häufig schwer eine HS zu erkennen. Sogar erfahrene Radiologen übersehen eine HS in 10-36% der Fälle (3).
In der vorliegenden Studie wurde ein Algorithmus entwickelt, um automatisiert aus klinischen MRT Scans (3D T1 und optional FLAIR) die Diagnose einer HS stellen zu können.
Methoden
Der 3D T1 gewichtete Scan wird durch FreeSurfer (https://surfer.nmr.mgh.harvard.edu/fswiki) analysiert. Anschließend findet eine Hippokampus Subfeld Analyse statt (4). Die errechneten Volumina der Subfelder werden mittels eines zuvor entwickelten Verfahrens für das Gesamthirnvolumen korrigiert und z-Scores errechnet (5).
Der FLAIR Scan wird Bias Feld korrigiert (6). Anhand der mittleren FLAIR Intensität der kortikalen grauen Substanz werden z-Scores der Intensität für jeden Voxel innerhalb der Subfelder errechnet. Anschließend wird für jedes Subfeld ein relativer z-Score errechnet.
Anhand dieser Werte wird innerhalb des Patientenkollektives eine support vector machine trainiert, die eine Klassifikation der HS vornimmt.
Ergebnisse
Das Patientenkollektiv bestand aus 12 Patienten mit einer HS links, 16 Patienten mit einer HS rechts und 23 Patienten mit einer generalisierten Epilepsie oder einer Temporallappenepilepsie anderer Genese als negativ Kontrollen. Das mittlere Alter war 36,3 +/- 14,4 Jahre, 35 Patienten waren weiblich, 16 männlich.
Um die Accuracy der Methode zu evaluieren wurde das Patientenkollektiv 200 mal mit 10 unterschiedlichen Unterteilungen in eine Trainings und eine Testgruppe eingeteilt (Repeated Stratified K Fold) und eine Klassifizierung mit der support vector machine durchgeführt. Dies erbrachte eine mittlere Accuracy von 0.944 +/- 0.081 für die Klassifizierung in HS links, HS rechts und keine HS.
Die Receiver operating characteristic (ROC) zeigte eine Area under the curve (AUC) von 0,99 +/- 0,02 für die Identifikation einer HS links und eine AUC von 0.96 +/- 0,11 für die Identifikation einer HS rechts.
Diskussion
Diese Studie zeigt, dass der vorgestellte Algorithmus mit einer sehr hohen Spezifität und Sensitivität eine HS detektieren kann. Ein Testen des Algorithmus und des trainierten Modells an einer größeren Patientengruppe steht noch aus.
Bildunterschriften
Abbildung 1: ROC Charakteristik für die Identifikation einer HS links
Abbildung 2: ROC Charakteristik für die Identifikation einer HS rechts
Literatur
1. Malmgren K, Thom M: Hippocampal sclerosis-origins and imaging. Epilepsia 2012; 53 Suppl 4: 19–33
2. Blümcke I: Neuropathology of focal epilepsies: a critical review. Epilepsy Behav 2009; 15: 34–9
3. Wehner T, et al.: Factors influencing the detection of treatable epileptogenic lesions on MRI. A randomized prospective study. Neurol Res Pract 2021; 3
4. Iglesias JE, et al.: A computational atlas of the hippocampal formation using ex vivo , ultra-high resolution MRI. Neuroimage 2015; : 115–37.
5. Menzler K, et al.: Validation of automatic MRI hippocampal subfield segmentation by histopathological evaluation in patients with temporal lobe epilepsy. Seizure 2021; 87: 94–102
6. Tustison NJ, et al.: N4ITK: improved N3 bias correction. IEEE Trans Med Imaging 2010; 29: 1310–20