Article
Deep Learning-basierte vollautomatische 3D-MRT-Modelle von Hüftknorpel und Labrum: Eine Pilotstudie
Search Medline for
Authors
-
Malin Kristin Meier
- Department für Orthopädie und Traumatologie Inselspital, Universitätsspital Bern, Universität Bern, Bern, Switzerland
-
Guodong Zeng
- sitem Center for Translational Medicine and Biomedical Entrepreneurship, Bern, Switzerland
-
Adam Boschung
- Spital Emmental, Burgdorf, Switzerland
-
Till Lerch
- Department of Diagnostic- Interventional- and Pediatric Radiology, Universitätsspital Bern, Universität Bern, Bern, Switzerland
-
Klaus Arno Siebenrock
- Department für Orthopädie und Traumatologie Inselspital, Universitätsspital Bern, Universität Bern, Bern, Switzerland
-
Moritz Tannast
- Department für Orthopädie und Traumatologie, Kantonspital Fribourg, Universität Fribourg, Fribourg, Switzerland
-
Simon Damian Steppacher
- Department für Orthopädie und Traumatologie Inselspital, Universitätsspital Bern, Universität Bern, Bern, Switzerland
-
Florian Schmaranzer
- Department of Diagnostic- Interventional- and Pediatric Radiology, Universitätsspital Bern, Universität Bern, Bern, Switzerland
| Published: | October 26, 2021 |
|---|
Outline
Text
Fragestellung: Die Evaluierung von Hüftknorpel und Labrum basiert standardmäßig auf 2D-Bildern. 3D-Rekonstruktionen sind über manuelle Segmentierungen möglich, jedoch zeitaufwändig und daher nicht Teil der klinischen Praxis. Unser Ziel war es, eine neue Deep-Learning-basierte Methode zur automatischen Segmentierung von Knorpel und Labrum basierend auf einem Arthro-MRT zu etablieren und gegenüber der manuellen Segmentierung zu validieren.
Methodik: Diese retrospektive Studie umfasste 33 konsekutiv ausgewählte Patienten (34 Hüften), für die eine gelenkerhaltende Hüftoperation in Frage kam. Patienten mit Voroperation, Trauma, kindlichen Hüftpathologien oder Femurkopfnekrose wurden ausgeschlossen. Das Durchschnittsalter in der Kohorte betrug 30 Jahre (Spannweite 18 - 52 Jahre) mit 64% weiblichen Patienten. Alle Patienten unterzogen sich einem direkten 3-T-Arthro-MRT einschließlich einer hochauflösenden T1-gewichteten 3D-Sequenz. Basierend auf den anteroposterioren Röntgenaufnahmen des Beckens wurden die Hüften einer von 5 Untergruppen zugeordnet: Dysplasie (DDH) mit einer lateralen azetabulären Überdachung (LCE) < 20° (n=6), Borderline-DDH mit einem LCE von 20 - 25° (n=4), normale azetabuläre Überdachung mit einem LCE 25 - 38° (n=12), Protrusio acetabuli mit einem LCE> 38° (n=5) und azetabuläre Retroversion mit positiven radiologischen Retroversionszeichen (n=7). Manuelle 3D-Segmentierungen von Knorpel und Labrum dienten als Trainingsdaten für das neuronale Netz (2D U-Net), um ein automatisches 3D-Modell von Knorpel und Labrum zu generieren. Es wurde eine 3-fold cross-validation durchgeführt und das durchschnittliche Knorpel- und Labrumvolumen zwischen manuellen und automatischen Segmentierungen verglichen. Die Korrelationen wurden mit dem Spearman-Korrelationskoeffizienten bewertet.
Ergebnisse und Schlussfolgerung: Es wurden vergleichbare Volumina für die manuelle und automatische Segmentierung von Knorpel (mittleres Volumen von 6887 ± 1319 mm3 bzw. 7028 ± 1268 mm3) und Labrum (mittleres Volumen von 2290 ± 1053 mm3 bzw. 1976 ± 441 mm3) gefunden. Zudem wurde eine starke Korrelation zwischen manueller und automatischer Segmentierung von Knorpel- (r = 0,88, p <0,0001) und Labrumvolumen (r = 0,81, p <0,0001) gefunden.
Diese Pilotstudie zeigt, dass Deep-Learning-Methoden eine automatische und genaue Segmentierung von Knorpel und Labrum auf der Basis von Arthro-MRT ermöglichen. Aus dieser Validierung ergibt sich das Potenzial für morphologische Untersuchungen in großen Datensätzen. Weiterhin ermöglicht diese Deep-Learning-Methode, aufgrund der Zeiteffizienz, eine routinemäßige Verwendung von 3D-MRT-Modellen von Knorpel und Labrum in der klinischen Praxis, was die chirurgische Entscheidungsfindung verbessern kann.
Abbildung 1 [Abb. 1]
