Dualzentrische Validierung von Deep Learning für die automatisierte Multi-Label-Segmentierung der Brustanatomie bei Röntgenaufnahmen des Brustkorbs am Krankenbett

Hintergrund und Ziele

Röntgenaufnahmen des Brustkorbs am Krankenbett (CXRs) sind schwierig zu interpretieren, aber wichtig für die Überwachung von Herz-Thorax-Erkrankungen und invasiven Therapiegeräten in der Intensivmedizin und Notfallmedizin. Die Berücksichtigung der umgebenden Anatomie dürfte die diagnostische Genauigkeit der künstlichen Intelligenz verbessern und ihre Leistung näher an die eines Radiologen heranbringen. Daher haben wir uns zum Ziel gesetzt, ein tiefes konvolutionelles neuronales Netzwerk für die effiziente automatische Anatomiesegmentierung von CXRs am Krankenbett zu entwickeln.

Methoden

Um die Effizienz des Segmentierungsprozesses zu verbessern, haben wir einen „Human-in-the-Loop”-Segmentierungs-Workflow mit einem aktiven Lernansatz eingeführt, der fünf wichtige anatomische Strukturen im Brustkorb (Herz, Lunge, Mediastinum, Luftröhre und Schlüsselbeine) berücksichtigt. Dadurch konnten wir die für die Segmentierung benötigte Zeit um 32 % reduzieren und die komplexesten Fälle auswählen, um menschliche Experten für die Annotation effizient einzusetzen. Nach der Annotation von 2.000 Röntgenaufnahmen aus verschiedenen Level-1-Medizinzentren der Charité – Universitätsklinikum Berlin gab es keine relevante Verbesserung der Modellleistung, sodass der Annotationsprozess eingestellt wurde. Ein 5-schichtiges U-ResNet wurde über 150 Epochen hinweg trainiert, wobei eine Kombination aus dem Soft-Dice-Ähnlichkeitskoeffizienten (DSC) und der Kreuzentropie als Verlustfunktion verwendet wurde. Zur Bewertung der Modellleistung wurden DSC, Jaccard-Index (JI), Hausdorff-Distanz (HD) in mm und durchschnittliche symmetrische Oberflächendistanz (ASSD) in mm verwendet. Die externe Validierung erfolgte anhand eines unabhängigen externen Testdatensatzes der Universitätsklinik Aachen (n = 20).

Ergebnisse

Der endgültige Trainings-, Validierungs- und Testdatensatz bestand aus 1900/50/50 Segmentierungsmasken für jede anatomische Struktur. Unser Modell erreichte einen mittleren DSC/JI/HD/ASSD von 0,93/0,88/32,1/5,8 für die Lunge, 0,92/0,86/21,65/4,85 für das Mediastinum, 0,91/0,84/11,83/1,35 für die Schlüsselbeine, 0,9/0,85/9,6/2,19 für die Luftröhre und 0,88/0,8/31,74/8,73 für das Herz. Die Validierung anhand des externen Datensatzes zeigte eine insgesamt robuste Leistung unseres Algorithmus.

Schlussfolgerungen

Durch den Einsatz einer effizienten computergestützten Segmentierungsmethode mit aktivem Lernen erreicht unser anatomiebasiertes Modell eine Leistung, die mit den modernsten Ansätzen vergleichbar ist. Anstatt wie in früheren Studien nur die nicht überlappenden Teile der Organe zu segmentieren, wird durch die Segmentierung entlang der natürlichen anatomischen Grenzen eine größere Annäherung an die tatsächliche Anatomie erreicht. Dieser neuartige anatomische Ansatz könnte für die Entwicklung von Pathologiemodellen für eine genaue und quantifizierbare Diagnose nützlich sein.

‍