Deep Learning zur Segmentierung von Gehirntumoren: Auswirkungen von interinstitutionellem Training und Testen

HINTERGRUND UND ZIEL: Faltungsneuronale Netzwerke (CNNs) werden häufig zur Segmentierung von Gehirntumoren verwendet. In dieser Arbeit bewerten wir die Auswirkungen des interinstitutionellen Trainings auf die Leistung von CNNs. METHODEN: Wir wählten 44 Glioblastom (GBM) Patienten aus zwei Institutionen aus dem The Cancer Imaging Archive-Datensatz. Die Bilder wurden manuell annotiert, indem jede Tumorkomponente umrißhaft dargestellt wurde, um die Grundwahrheit zu bilden. Um die Tumoren in jedem Patienten automatisch zu segmentieren, trainierten wir drei CNNs: (a) eines mit Daten von Patienten aus derselben Institution wie die Testdaten, (b) eines mit Daten von den Patienten aus der anderen Institution und (c) eines mit Daten von den Patienten beider Institutionen. Die Leistung der trainierten Modelle wurde mit Dice-Ähnlichkeitskoeffizienten sowie dem durchschnittlichen Hausdorff-Abstand zwischen der Grundwahrheit und den automatischen Segmentierungen bewertet. Das 10-fache Kreuzvalidierungsschema wurde verwendet, um die Leistung verschiedener Ansätze zu vergleichen. ERGEBNISSE: Die Leistung des Modells nahm signifikant ab (P < 0,0001), wenn es mit Daten aus einer anderen Institution trainiert wurde (Dice-Koeffizienten: 0,68 ± 0,19 und 0,59 ± 0,19) im Vergleich zum Training mit Daten aus derselben Institution (Dice-Koeffizienten: 0,72 ± 0,17 und 0,76 ± 0,12). Dieser Trend hielt sowohl bei der Segmentierung des gesamten Tumors als auch bei seinen einzelnen Komponenten an. SCHLUSSFOLGERUNGEN: Es gibt einen sehr starken Einfluss der Auswahl der Trainingsdaten auf die Leistung von CNNs in einem multi-institutionellen Kontext. Die Bestimmung der Gründe hinter diesem Effekt erfordert zusätzliche umfassende Untersuchungen.