gms | German Medical Science

Einleitung und Fragestellung: Für die onkologische bildgebende Diagnostik spielt die Positronen-Emissions-Tomographie eine zunehmend wichtige Rolle. Sie erlaubt nicht nur die Visualisierung von Regionen mit erhöhtem Glukosemetabolismus, bspw. in Tumoren, mittels Tracern wie [18F]Fluor-Deoxyglukose (FDG), sondern auch die Lokalisation von hypoxischen Tumorarealen mittels neueren Tracern wie [18F]Fluor-Misonidazol (FMISO). Die Beurteilung der Tumorhypoxie ist wahrscheinlich von hohem Wert, da Patienten mit hypoxischen Tumoren eine generell schlechtere Prognose haben als Patienten, deren Tumoren ausreichend mit Sauerstoff versorgt wird. Die Analyse von FMISO-PET Bildern wird jedoch durch sehr niedrigen Kontrast erschwert. Automatismen, die sich für die Segmentierung von FDG-PET Bildstapeln bewährt haben, versagen bei FMISO-PET, weil dort das Kontrast-zu-Hintergrund-Verhältnis um etwa eine Größenordnung niedriger ist. Für die Beurteilung, ob ein FMISO-PET-Datensatz FMISO-positiv oder –negativ ist, schlagen wir ein Segmentierungsverfahren basierend auf Schwarmintelligenz vor. Es wurde im Rahmen dieser Arbeit anhand klinischer Daten evaluiert und mit den Entscheidungen von Experten verglichen.

Material und Methoden: Der vorgeschlagene Algorithmus basiert auf der Simulation des Verhaltens natürlicher Ameisen, die virtuell im Bildraum ausgesetzt werden. Zufällig im Raum ausgestreut, bewegen sie sich entlang des Grauwert-Gradienten im Bildstapel hin zu Regionen mit erhöhter Aktivitätskonzentration. Währenddessen kommunizieren sie indirekt miteinander über ein virtuelles Pheromonfeld. Ameisen in Regionen mit erhöhtem Signal geben mehr Pheromon ab, das mehr Ameisen in diese Regionen lockt. Jene hinzukommenden Ameisen erhöhen die Pheromonkonzentration zusätzlich, und so entsteht ein Pheromonfeld, das Zielobjekte mit höherem Kontrast abbildet als der Kontrast im eingegebenen PET-Datensatz war. Von dem Pheromonfeld kann dann die Zielvolumenkontur abgeleitet werden. Der mittlere Signalwert innerhalb des konturierten Volumens dient dann als freier Parameter für eine Analyse der Receiver-Operating-Characteristik (ROC). Zur Evaluierung des Verfahrens wurden 155 FMISO-PET-Datensätze von 43 Patienten ausgewertet, die im Rahmen einer prospektiven Studie vor und während kombinierter Strahlen-/Chemotherapie aufgenommen wurden. Die klinische Studie wurde von der Ethikkommission der Fakultät und vom Bundesamt für Strahlenschutz genehmigt. Alle Patienten wurden über den Zweck der Studie und die elektronische Verarbeitung der Bilddaten informiert und gaben ihr schriftliches Einverständnis. Drei Experten konturierten die Datensätze manuell, dabei entschieden sie auch, ob im Bildstapel überhaupt ein FMISO-positives Volumen im Tumor vorhanden ist. Entscheiden sich alle Experten unabhängig voneinander dafür, dass ein vorliegender Datensatz FMISO-positiv ist, wird er als solcher erfasst. Entscheidet sich mindestens ein Experte dagegen, wird der Datensatz als negativ verbucht.

Ergebnisse: Von den 155 FMISO-PET Datensätzen wurden 93 übereinstimmend von den Experten als FMISO-positiv markiert. Die ROC-Analyse ergab, dass der vorgeschlagene Algorithmus die Konsensus-Entscheidung der Experten mit einer Sensitivität von 86% und Spezifität von 92% imitieren kann. Die Fläche unter der ROC-Kurve betrug dabei 0,93.

Diskussion: Der Algorithmus konnte die FMISO-PET-Datensätze so zuverlässig segmentieren, dass mit den erzeugten Konturen eine Expertenentscheidung hinsichtlich vorhandener Hypoxie mit hoher Sensitivität und Spezifität imitieren werden konnte. Somit empfiehlt es sich den Algorithmus zur Unterstützung klinischer Forscher einzusetzen. Einerseits lassen sich durch seine Anwendung Observerabhängigkeiten minimieren. Andererseits jedoch müssen seine Ergebnisse von Experten überprüft werden, insbesondere wenn Kontrast zwischen ermitteltem Zielobjekt und Hintergrund niedriger ist als bei FMISO-PET üblicherweise beobachtet. Langfristig wäre ein solcher validierter Algorithmus auch für Ärzte in klinischer Tätigkeit nutzbar.