gms | German Medical Science

Zielsetzung: Mit dem Fortschritt Künstlicher Intelligenz gewinnen automatisierte Segmentierungsverfahren in der MRT-Bildgebung zunehmend an Relevanz für die medizinische Diagnostik. Insbesondere im Bereich der Orbita erlauben sie eine hochauflösende Darstellung komplexer anatomischer Strukturen und präzise quantitative Analysen – eine entscheidende Voraussetzung für die Beurteilung und Therapie orbitaler Erkrankungen. Ziel dieser Studie war es, die Anwendbarkeit eines zuvor an gesunden Probanden trainierten Segmentierungsmodells (nnU-Net) auf MRT-Aufnahmen von Patienten mit endokriner Orbitopathie (EO) zu untersuchen, die mit unterschiedlichen MRT-Scannern aufgenommen wurden.

Methodik: Retrospektiv konnten MRT-Datensätze von 85 PatientInnen mit aktiver und inaktiver endokriner Orbitopathie für die weitere Analyse eingeschlossen werden. Die Segmentierung erfolgte sowohl manuell als auch automatisiert mithilfe des A-Eye-Modells, das mit nativen T1-gewichteten Sequenzen trainiert wurde und zuverlässig orbitale Strukturen wie Linse, Bulbus, Sehnerv, Fettgewebe und Augenmuskeln differenzieren kann. Es wurden T1-gewichtete FSE- und LAVA-Sequenzen mit 3 mm isotroper Auflösung verwendet, aufgenommen an 1,5T- (n=36) und 3T-Scannern (n=49). Die Übereinstimmung zwischen manueller und automatischer Segmentierung wurde mittels volumetrischer Differenzen, Dice Similarity Coefficient (DSC) sowie der Hausdorff-Distanz bewertet. Zudem erfolgte ein Vergleich mit normativen Referenzdaten aus der SHIP-Studie.

Ergebnisse: Von den insgesamt 85 Augen konnten letztendlich nur 10 Augen (11,7%) erfolgreich segmentiert werden. In diesen Fällen ermöglichte die automatische Segmentierung eine zuverlässige Detektion zentraler ophthalmologischer Parameter. Für die Linse und den Bulbus lagen die mittleren DSC-Werte bei 0,53 bzw. 0,71 und damit unter den Vergleichswerten gesunder Kontrollgruppen (0,73 bzw. 0,91). Für den Sehnerv, die Muskulatur sowie intra- und extrakonales Fettgewebe konnte die Modellleistung aus der Validierung an gesunden Probanden nicht reproduziert werden.

Schlussfolgerung: Deep-Learning-basierte Methoden zeigen grundsätzlich ein gutes Potenzial zur automatisierten Segmentierung orbitaler Strukturen auch in der klinischen Anwendung. Die Ergebnisse verdeutlichen jedoch die Herausforderungen durch sogenannte Domain Shifts – etwa durch Unterschiede in der Scannertechnik, Sequenzwahl oder eine pathologisch veränderte Anatomie. Für eine robuste Anwendung bei pathologischen Befunden, insbesondere in LAVA-Sequenzen, sind weiterentwickelte Modelle erforderlich, die gegenüber solchen Variationen resilienter sind.