Bewertung der Auswirkungen von Sequenzkombinationen auf die Segmentierung von Brusttumoren in multiparametrischer MRT

Die multiparametrische Magnetresonanztomographie (mpMRT) ist ein wichtiges Werkzeug zur Beurteilung des Fortschreitens von Brustkrebs. Obwohl Deep Learning zur Automatisierung der Tumorsegmentierung in der Brust-MRT angewendet wurde, bleibt der Effekt von Sequenzkombinationen in der mpMRT unterinvestigiert. Diese Studie untersucht den Einfluss verschiedener Kombinationen von T2-gewichteter (T2w), dynamischer kontrastmittelverstärkter MRT (DCE-MRT) und diffusionsgewichteter Bildgebung (DWI) mit scheinbarem Diffusionskoeffizienten (ADC)-Karte auf die Segmentierung von Brusttumoren mithilfe von nnU-Net. Bewertet an einem multicenter mpMRT-Datensatz erzielte das nnU-Net-Modell unter Verwendung von DCE-Sequenzen einen Dice-Ähnlichkeitskoeffizienten (DSC) von 0,69 ± 0,18 für die Segmentierung des funktionalen Tumorvolumens (FTV). Bei der Segmentierung der gesamten Tumormaske (WTM) verbesserte das Hinzufügen des vorhergesagten FTV zur DWI- und ADC-Karte den DSC von 0,57 ± 0,24 auf 0,60 ± 0,21. Das Hinzufügen von T2w ergab keine signifikante Verbesserung, was weiterhin weiterer Untersuchungen unter einem standardisierteren Bildgebungsprotokoll bedarf. Diese Studie dient als Grundlage für zukünftige Arbeiten zur Vorhersage des Behandlungsergebnisses bei Brustkrebs unter Verwendung von mpMRT.