gms | German Medical Science

Hintergrund: Die erhöhte Verfügbarkeit und Nutzung moderner medizinischer Bildgebung führt immer mehr zu einer starken Notwendigkeit von automatischer medizinischer Bildsegmentierung. Diese bietet Kliniker insbesondere Radiologen nicht nur Entscheidungsunterstützung bei schwierig erkennbaren medizinischen Fällen, sondern ermöglicht auch die Reduktion von manuellen und zeitintensiven Bildanalysen. Derzeitige Bildsegmentierungsplattformen bieten jedoch nicht die erforderlichen Funktionen für den einfachen Aufbau medizinischer Bildsegmentierungs-Pipelines. Bereits implementierte Pipelines sind in der Regel eigenständige Software, die für eine bestimmte Erkrankung und für einen einzelnen öffentlichen Datensatz optimiert wurde. Dadurch stehen Forscher oftmals vor dem Problem, dass keine Wiederverwendbarkeit auf andere Datensätze oder kein praktischer Einsatz in klinischer Forschung möglich ist.

Methoden: Die Open-Source Python-Bibliothek MIScnn bietet für die beschriebenen Herausforderungen eine Lösung. Das Ziel von MIScnn ist die Bereitstellung einer intuitiven API, die das schnelle und reproduzierbare Erstellen von Pipelines zur Segmentierung medizinischer Bilder ermöglicht. MIScnn ist in vier Kernmodule unterteilt:

• Die Eingabe und Ausgabe von Daten mit bereits mitgelieferten Schnittstellen zu den gängigsten medizinischen Bildformate, wie DICOM, NifTI, PNG oder TIF.
• Die Vorverarbeitung von medizinischen Bilddaten, wie die automatische Aufbereitung für eine Patch-Analyse, die Normalisierung von Bildwerten als auch der Scheibendicke, Fensterung mittels der Hounsfield-Skala oder die Anpassung der Bildgröße.
• Die Vermehrung der Bilddaten mittels diverser Verfahren für räumliche und farbliche Modifikationen als auch der Einführung von Störsignalen zur Verbesserung der Stabilität und Leistungsfähigkeit des Modells.
• Eine Bibliothek von state-of-the-art Deep Learning Modellen, wie die populäre U-Net Architektur, als auch verschiedene Bewertungs-Metriken für die medizinische Bildsegmentierung, wie der Dice Similarity Coefficient oder die Tversky Funktion.

Für die Ausführung der Pipeline bietet MIScnn intuitive Modell-Funktionen wie Training, Vorhersage als auch vollautomatische Auswertungen wie Kreuzvalidierungsverfahren. Ebenso ermöglichen eine hohe Konfigurierbarkeit und offene Schnittstellen eine vollständige Anpassung der Pipeline an die Bedürfnisse und Anforderungen des Users.

Ergebnisse: Zur Evaluierung von MIScnn wurde das Framework auf verschiedenste Datensätze als auch in mehreren Projekten angewandt. Dazu gehört die Segmentierung von Nierentumore bei der Kidney Tumor Segmentation Challenge 2019 (300 CT-Scans), Zellerkennung auf dem Datensatz der ISBI Cell Tracking Challenge 2015 (34 Mikroskopie Bilddaten) als auch die Segmentierung von entzündetem Lungengewebe durch COVID-19 auf einem limitierten Datensatz mit 20 CT-Scans. Diese Projekte führten zu leistungsstarken Modellen, die auf der aktuellen 3D U-Net Architektur basieren. Damit konnte gezeigt werden, dass man mit Hilfe von MIScnn in nur kurzer Zeit eine effektive und stabile medizinische Bildsegmentierungs-Pipeline aufsetzen kann.

Zusammenfassung: Mit dem MIScnn-Framework ist es Forschern möglich, mit nur wenigen Codezeilen schnell eine vollständige Pipeline für die Segmentierung medizinischer Bilder aufzusetzen. MIScnn ist als Python-Paket über PyPI beziehbar, als auch der Quellcode inklusive Dokumentation im folgenden Git-Repository verfügbar: https://github.com/frankkramer-lab/MIScnn

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.