Hans-Jürgen Huppertz (Zürich / CH), Theodor Rüber (Bonn / DE), Lennart Walger (Bonn / DE), Lukas Imbach (Zürich / CH), Horst Urbach (Freiburg i. Br. / DE), Theo Demerath (Freiburg i. Br. / DE)
Abstract-Text (inklusive Referenzen und Bildunterschriften)
Einleitung:
Transfer Learning (TL) wird in Deep Learning-Applikationen verwendet, indem z.B. ein vortrainiertes Convolutional Neural Network (CNN) modifiziert und für eine neue Aufgabe angepasst wird. Verglichen mit von Grund auf neuem Training ist vorteilhaft, dass die Trainingszeiten kürzer sind und weniger Trainingsdaten benötigt werden. Letzteres ist bedeutsam für medizinisch-radiologische Anwendungen, für die meist nur begrenzt Bilddaten zur Verfügung stehen.
Ziele:
In der vorliegenden Studie wurde TL exemplarisch für die automatische Erkennung von hypothalamischen Hamartomen (HH) in T1-gewichteten MRT-Aufnahmen eingesetzt und erprobt.
Materialien & Methoden:
82 Patienten (1-71 Jahre; MW 24.9+/-15.5 J.) mit HH (Valdueza 1a-2b: 6, 5, 23 und 48; davon 18 HH übersehen in früheren MRIs) und nativen 3D-T1-Aufnahmen von 11 verschiedenen 1.5 und 3T Scannern aus 3 Epilepsiezentren wurden eingeschlossen. Zum Vergleich dienten 150 gesunde Kontrollen (15-77 Jahre, MW 31+/-9.6 J.) mit MRTs von 5 verschiedenen 1.5 / 3T Scannern. Nach Normalisierung der 3D-T1-Datensätze auf den MNI-Raum mittels SPM12 wurden pro Fall jeweils 9 axiale Schnittbilder von 60x60 Pixeln zentriert auf den Boden des 3. Ventrikel ausgeschnitten. Eine unter MATLAB® bereit gestellte, vortrainierte Version eines CNN (GoogLeNet, 22 Schichten) wurde so modifiziert, dass das Netzwerk in der letzten Schicht unterscheidet zwischen Bildern, auf denen HH zu erkennen sind oder nicht. Unter Beibehaltung des Trainingszustandes in den unteren Schichten wurde die oberen bzw. letzten Schichten dieses CNN mit den o.g. Schnittbildern neu trainiert. Die Validierung hinsichtlich der Unterscheidung von HH-Patienten und Kontrollen erfolgte mittels leave-one-out Kreuzvalidierung, wobei für die Klassifikation als Patient der Nachweis eines HH in mindestens 2 der 9 Schnittbilder pro Fall gefordert wurde.
Ergebnisse:
Die Kreuzvalidierung ergab eine Sensitivität von 97.6% für HH, bei einer Spezifität von 87.3%. Insgesamt wurden 90.1% der Fälle korrekt zugeordnet. Von den in der Vergangenheit mindestens einmal übersehenen HH wurden alle automatisch erkannt.
Zusammenfassung:
Die automatische Erkennung von HH mittels CNN in Kombination mit Transfer Learning erzielte ausgezeichnete Erkennungsraten, u.a. auch bei Läsionen, die in der Vergangenheit übersehen worden waren. Hervorzuheben ist, dass die Methode auf MRTs von verschiedenen Scannern mit unterschiedlicher Feldstärke zum Einsatz kam, ohne dass ein scanner-spezifisches Training erforderlich war. Die Ergebnisse sprechen dafür, dass Transfer Learning gerade bei zahlenmässig limitierten Trainingsfällen, wie sie in der medizinisch-radiologischen Diagnostik üblich sind, einen vielversprechenden Ansatz zum Training von CNN darstellt. Dies wird ermöglicht durch die Verwendung vortrainierter Netzwerke, die bereits gelernt haben, basale Bildinhalte wie Kanten, Ecken und andere einfache Strukturen zu erkennen. Die Methode empfiehlt sich auch für die Erkennung weiterer potenziell epileptogener Läsionen, die relativ klar abgrenzbar sind und gleichzeitig typische Lokalisationen im Hirn haben, z.B. periventrikuläre Heterotopien.
Literatur
Choy G et al.: Current Applications and Future Impact of Machine Learning in Radiology. Radiology 2018
Abbasi B et Goldenholz DM: Machine learning applications in epilepsy. Epilepsia. 2019
Nanni L et al.: Comparison of Transfer Learning and Conventional Machine Learning. Front Neuro 2020