Magnetic resonance imaging (MRI) provides increasingly reliable imaging of prostate cancer (PCa) and can improve the detection of lesions and the performance of targeted biopsies. In this regard, segmentation of the prostate in the MRI dataset is critical for several tasks, including the creation of three-dimensional models, e.g., for navigational purposes when planning biopsies or interventional therapies, for planning radiotherapy, for improved volume estimation to assess disease progression, and for automated detection of prostate zones and PCa. However, segmentation by hand is very time-consuming, making an automated machine-based solution desirable.
Methods: For this project, a data set of 158 MRI examinations of the prostate was compiled, which meet the technical requirements of the PIRADS V2.1 standard. These included 102 patients with histologically confirmed prostate carcinoma and an image morphological finding of PIRADS 4 or higher. The examinations were then divided into a training data set and a test data set. Both datasets were manually segmented by two subject matter experts with several years of experience in uroradiological imaging, firstly annotating the anatomy and zonal divisions and secondly annotating the tumor regions. Furthermore, a deep learning model was developed and trained on the segmentation of anatomy and tumor region using the training dataset. Subsequently, the agreement of the segmentations of the experts among themselves and the agreement of the segmentations of the model with those of the experts were compared on the test data set.
Results: The agreement between the segmentations of the two experts was highest for the central zone, followed by the peripheral zone and lowest for the tumor region. A similar picture was seen for the segmentations of the model. There was no significant difference in the agreement between the model and the respective experts 1 and 2. However, a worse agreement between the model to the experts compared to the interrater agreement between the experts could be observed.
Conclusion: Although the deep learning model used for this Thesis for prostate anatomy segmentation and tumor region detection and segmentation could not quite reach the human expert standard, a perspective and great potential for further research and progress in this area of medical image analysis can still be seen. Automated segmentations and tumor detection may facilitate and accelerate clinical workflow and improve future diagnostics and therapies. In the context of further technical advances, a similar quality and safety as long-time trained human experts can be expected.
Die Magnetresonanztomographie (MRT) ermöglicht eine zuverlässige Darstellung von Prostatakrebs (PCa) und kann die Erkennung von Läsionen und die Durchführung gezielter Biopsie verbessern. Die Segmentierung der Prostata im MRT Datensatz ist dabei für viele Aufgaben von entscheidender Bedeutung, u. a. für die Erstellung dreidimensionaler Modelle, z. B. zu Navigationszwecken bei der Planung von Biopsien oder interventionellen Therapien, für die Planung einer Strahlentherapie, für eine verbesserte Volumenschätzung zur Beurteilung des Krankheitsverlaufs und für die automatisierte Erkennung der Anatomie und von PCa. Eine Segmentierung von Hand ist jedoch zeitaufwändig, weshalb eine automatisierte maschinelle Lösung erstrebenswert ist. Methoden Es wurde ein Datensatz von insgesamt 158 MRT Untersuchungen der Prostata zusammengestellt, welche den technischen Anforderungen des PI-RADS V2.1 Standards entsprechen. Hierunter befanden sich 102 Patienten mit histologisch gesicherten Prostatakarzinomen und einem bildmoprhologischen Befund von PI-RADS 4 oder höher. Die Untersuchungen wurden daraufhin auf einen Trainingsdatensatz und einen Testdatensatz aufgeteilt. Beide Datensätze wurden händisch durch zwei Experten mit mehrjähriger Erfahrung in uroradiologischer Bildgebung segmentiert, wobei zum einen die zonale Anatomie und zum anderen die Tumorregionen annotiert wurden. Des Weiteren wurde ein Deep Learning Modell entwickelt und mit Hilfe des Trainingsdatensatzes auf die Segmentierung der Anatomie und der Tumorregion trainiert. Anschließend wurde am Testdatensatz die Übereinstimmung der Segmentierungen der Experten untereinander sowie die Übereinstimmung der Segmentierungen des Modells mit denen der Experten verglichen. Ergebnisse Die Übereinstimmung zwischen den Segmentierungen der beiden Experten war am höchsten für die zentrale Drüse, gefolgt von der peripheren Zone und am niedrigsten für die Tumorregion. Ein ähnliches Bild zeigte sich auch für die Segmentierungen desModells. Es bestand kein signifikanter Unterschied in der Übereinstimmung zwischen dem Modell und den jeweiligen Experten 1 und 2. Es konnte jedoch eine schlechtere Übereinstimmung zwischen dem Modell zu den Experten gegenüber der Interrater Übereinstimmung zwischen den Experten festgestellt werden. Schlussfolgerung Obgleich das verwendete Deep Learning Modells für die Segmentierung der Prostataanatomie sowie der Segmentierung der Tumorregion nicht ganz den menschlichen Expertenstandard erreichen konnte, lässt sich dennoch eine Perspektive und großes Potential für weitere Forschung und Fortschritte in diesem Bereich der medizinischen Bildanalyse erkennen. Automatisierte Segmentierungen und Tumordetektionen können den klinischen Arbeitsfluss erleichtern und beschleunigen sowie zukünftige Diagnostik und Therapien verbessern. Im Rahmen weiterer technischer Fortschritte ist eine ähnliche Qualität und Sicherheit wie langjährig antrainierte menschliche Experten erwartbar.
