Hintergrund: Nierenzellkarzinome sind die häufigsten Tumore der Niere und zählen in Industrienationen zu den prävalentesten malignen Neoplasien. Die Magnetresonanztomographie (MRT) hat sich als wertvolle Modalität für die Identifikation und Beurteilung von Nierenläsionen etabliert. Mittlerweile werden aufgrund der wachsenden Verfügbarkeit bildgebender Verfahren Nierentumoren überwiegend in frühen Stadien entdeckt, was die Differenzialdiagnose erschwert. Detaillierte Segmentierungen könnten den diagnostischen Prozess verbessern, werden jedoch aufgrund von Zeit- und Ressourcenmangel im klinischen Alltag selten durchgeführt. Die U-Net-Architektur revolutionierte die Automatisierbarkeit biomedizinischer Bildsegmentierung, und es wurden bereits diverse modifizierte Varianten für spezifische Aufgaben entwickelt.
Zielsetzung: Das Ziel dieser Studie besteht darin, ein trainiertes U-Net-basiertes Deep Neural Network zu entwickeln, das eine zuverlässige, autonome Detektion und Segmentierung von tumorerkrankten Nieren in MRT-Aufnahmen ermöglicht.
Methoden: In einem klinisch-experimentellen Studiendesign wurden multisequenzielle MRT-Aufnahmen von insgesamt 690 Patienten mit histologisch gesicherten Nierentumoren retrospektiv aus dem Charité Universitätsklinikum Berlin akquiriert. Die 1807 enthaltenen MRT-Bildserien wurden schichtweise manuell annotiert und von zwei Fachärzten für Radiologie überarbeitet. Der Datensatz wurde vorverarbeitet, für Trainings- und Testzwecke randomisiert aufgeteilt und augmentiert. Anschließend wurde ein U-Net-basiertes 3D Convolutional Neural Network konzipiert, trainiert und getestet. Als Beurteilungsmetriken der Modellleistung wurden Dice-Koeffizient (DSC), Hausdorff-Distanz (HD) und durchschnittlicher symmetrischer Oberflächenabstand (ASSD) verwendet.
Ergebnisse: Das Training erstreckte sich über insgesamt 150 Epochen bei einer Batch-Size von 16 Samples. Die Übereinstimmung zwischen Grundwahrheit und Modellsegmentierung ergab für gesundes Nierenparenchym im Gesamtdurchschnitt einen DSC von 0,81 (SD 0,15), eine HD von 45 mm (SD 45 mm) und einen ASSD von 6,7 mm (SD 12,7 mm). Für die Identifikation von neoplastischem Gewebe innerhalb der Niere erreichte das Modell durchschnittlich einen DSC von 0,48 (SD 0,31), eine HD von 66 mm (SD 44 mm) und einen ASSD von 15 mm (SD 20 mm).
Schlussfolgerung: Diese Forschungsarbeit konnte erfolgreich demonstrieren, dass eine robuste, vollautomatisierte Segmentierung von tumorerkrankten Nieren in MRT-Aufnahmen mithilfe von Deep Learning umsetzbar ist. Die Ergebnisse deuten auf vielversprechende Perspektiven hin, Deep Learning Systeme in die klinische Praxis zu integrieren. Somit besteht zweifellos das Potenzial, sowohl die zukünftige Forschung als auch die Patientenversorgung bei Tumorerkrankungen der Niere zu verbessern. Dennoch sind weitere Forschungsbemühungen erforderlich, um die identifizierten Herausforderungen zu bewältigen und die optimale klinische Anwendung dieser Technologie sicherzustellen.
Background: Renal cell carcinomas are the most prevalent tumors of the kidney and represent a leading malignancy in developed countries. Magnetic Resonance Imaging (MRI) has proven valuable for the identification and assessment of renal lesions. With advanced imaging modalities increasingly available, the predominantly early-stage detection of kidney tumors complicates the differential diagnosis. Detailed segmentations could enhance the diagnostic process but are rarely performed in clinical settings due to time and resource constraints. The U-Net architecture has revolutionized the automatability of biomedical image segmentation, with various tailored versions having been created for specific tasks.
Objective: This study aims to develop and validate a U-Net-based deep neural network for reliable automated detection and segmentation of tumor-afflicted kidneys in MRI scans.
Materials and Methods: A clinical-experimental study design included multi-sequence MRI scans from a total of 690 patients with histologically confirmed renal tumors, that were retrospectively acquired from the Charité University Hospital, Berlin. The 1807 MRI image series included were manually annotated slice by slice and reviewed by two radiology specialists. The dataset underwent preprocessing, randomized division into training and testing sets and data augmentation was applied. Subsequently, a U-Net-based 3D Convolutional Neural Network was designed, trained, and tested using the prepared data. Model performance was assessed using the Dice-Score (DSC), Hausdorff-Distance (HD), and Average Standard Surface Distance (ASSD) as evaluation metrics.
Results: The model training extended over a total of 150 epochs with a batch size of 16 samples. The average agreement between ground truth and model segmentation for healthy renal parenchyma yielded a DSC of 0.81 (SD 0.15), an HD of 45 mm (SD 45 mm), and an ASSD of 6.7 mm (SD 12.7 mm). For the identification of neoplastic tissue within the kidney, the model achieved, on average, a DSC of 0.48 (SD 0.31), an HD of 66 mm (SD 44 mm) and an ASSD of 15 mm (SD 20 mm).
Conclusion: This research work successfully demonstrates the feasibility of robust, fully automated segmentation of tumor-afflicted kidneys in MRI scans using a deep learning approach. The findings suggest promising prospects for integrating deep learning systems into clinical practice to improve both future research and patient care for renal tumor diseases. However, further research efforts are necessary to address the identified challenges and ensure optimal conditions for the clinical application of this technology.
