Alena Kollmann (Würzburg / DE), Dr. David Lohr (Würzburg / DE), Dr. Markus Ankenbrand (Würzburg / DE), Maya Bille (Würzburg / DE), Dr. Maxim Terekhov (Würzburg / DE), Dr. Michael Hock (Würzburg / DE), Dr. Ibrahim Elabyad (Würzburg / DE), Dr. Florian Schnitter (Würzburg / DE), Prof. Dr. Dr. Wolfgang Rudolf Bauer (Würzburg / DE), Prof. Dr. Ulrich Hofmann (Würzburg / DE), Prof. Dr. Laura Schreiber (Würzburg / DE)
Abstract-Text (inkl. Referenzen und Bildunterschriften)
Hintergrund
Die MRT gilt als Goldstandard für die Evaluation der Herzfunktion. Diese erfordert eine präzise Segmentierung des Myokards. Hierfür kommen in der klinischen Routine oft automatische Anwendungen klinischer Software zum Einsatz, die aber nur eingeschränkt für präklinische Bilder angewendet werden können.
Ziel der Studie ist, ein Deep-Learning (DL) Modell mit 7T Großtierdaten zu trainieren, um reproduzierbare Myokardsegmentierung auch im präklinischen Bereich zu ermöglichen.
Methoden
Nach Genehmigung der Großtierstudie wurde bei sieben Schweinen ein Infarkt induziert (90-minütiger Verschluss des RIVA) und zusätzlich vier weitere als Kontrollschweine verwendet. CINE Bilder wurden mit einem 7T Scanner (MAGNETOM™ Terra, Siemens, Erlangen) an je 4 Zeitpunkten aufgenommen. Ein etabliertes DL Modell wurde mit einem Teil der Bilder neu trainiert und validiert. Anhand von 7T Bildern von drei Schweinen wurde das DL-Modell getestet und mit manueller Segmentierung verglichen.
Ergebnisse
Die Mehrheit der Bilder wurde korrekt segmentiert (Abb.1).
Der Vergleich von manueller und DL Segmentierung (Abb. 2) ergab für die Ejektionsfraktion eine sehr gute Korrelation und Dice-scores von 0,87 (LV) bzw. 0,85 (Myokard).
Diskussion
Wir konnten zeigen, dass bereits mit einem relativ kleinen Trainings-Datensatz eine reproduzierbare automatische Myokard-Segmentierung von 7T MRT Bildern von Schweineherzen möglich ist, die gut mit manueller Segmentierung korrelierte.