Purpose: To create a fully automated, reliable, and fast segmentation tool for Gd-EOB-DTPA-enhanced MRI scans using deep learning.
Materials and methods: Datasets of Gd-EOB-DTPA-enhanced liver MR images of 100 patients were assembled. Ground truth segmentation of the hepatobiliary phase images was performed manually. Automatic image segmentation was achieved with a deep convolutional neural network.
Results: Our neural network achieves an intraclass correlation coefficient (ICC) of 0.987, a Sørensen-Dice coefficient of 96.7 ± 1.9 % (mean ± std), an overlap of 92 ± 3.5 %, and a Hausdorff distance of 24.9 ± 14.7 mm compared with two expert readers who corresponded to an ICC of 0.973, a Sørensen-Dice coefficient of 95.2 ± 2.8 %, and an overlap of 90.9 ± 4.9 %. A second human reader achieved a Sørensen-Dice coefficient of 95 % on a subset of the test set.
Conclusion: Our study introduces a fully automated liver volumetry scheme for Gd-EOB-DTPA-enhanced MR imaging. The neural network achieves competitive concordance with the ground truth regarding ICC, Sørensen-Dice, and overlap compared with manual segmentation. The neural network performs the task in just 60 seconds.
Key points: · The proposed neural network helps to segment the liver accurately, providing detailed information about patient-specific liver anatomy and volume.. · With the help of a deep learning-based neural network, fully automatic segmentation of the liver on MRI scans can be performed in seconds.. · A fully automatic segmentation scheme makes liver segmentation on MRI a valuable tool for treatment planning..
Citation format: · Winther H, Hundt C, Ringe KI et al. A 3D Deep Neural Network for Liver Volumetry in 3T Contrast-Enhanced MRI. Fortschr Röntgenstr 2021; 193: 305 - 314.
ZIEL: Ziel dieser Studie war es, eine vollautomatische und zuverlässige Lebervolumetrie in der kontrastverstärkten MRT basierend auf 3D-Deep-Learning-Algorithmen zu entwickeln.
Material und methoden: Datensätze von Gd-EOB-DTPA-verstärkten Leber-MR-Bildern von 100 Patienten wurden von einem in der hepatobiliären Bildgebung erfahrenen Radiologen manuell segmentiert und als Grundwahrheitssegmentierung angenommen. Die Datensätze wurden mittels einem Kreuzvalidierungsverfahren (k = 4) in Trainings- und Validierungsdatensatz eingeteilt und einem neuronalen Netzwerk zur automatischen Bildsegmentierung zugeführt. Zusätzlich wurde ein Teil der Daten (n = 9) von einem zweiten Radiologen zur Bestimmung einer Interobserver Variability segmentiert.
Ergebnisse: Die manuelle Segmentierung erreichte einen Inter-Klassen-Korrelationskoeffizienten (ICC) von 0,973, einen Sørensen-Dice-Index von 95,2 ± 2,8 % und eine Überlappung von 90,9 ± 4,9 %. Das neuronale Netzwerk erreichte einen ICC von 0,98, einen Sørensen-Dice-Index von 96 ± 1,9 % und eine Überlappung von 92 ± 3,5 % sowie eine Hausdorff-Distanz von 24,9 ± 14,7 mm.
Schlussfolgerung: Diese Studie präsentiert ein vollautomatisches Lebervolumetrie-Schema für MR-Bildgebung. Das neuronale Netzwerk erreichte eine kompetitive Übereinstimmung mit der Grundwahrheit bezüglich ICC, Sørensen-Dice-Index und Überlappung im Vergleich zu einer manuellen Segmentierung. Das neuronale Netzwerk erledigte die Aufgabe in nur 60 Sekunden.
Kernaussagen: · Das vorgeschlagene neuronale Netzwerk hilft bei der genauen Segmentierung der Leber und liefert detaillierte Informationen über die patientenspezifische Anatomie und das Volumen der Leber.. · Mithilfe eines neuronalen Netzes kann eine vollautomatische Segmentierung der Leber in MRT-Scans in Sekundenschnelle durchgeführt werden.. · Ein vollautomatisches Segmentierungsschema macht die Lebersegmentierung in der MRT zu einem wertvollen Instrument für die Behandlungsplanung..
Thieme. All rights reserved.