Segmentierung von kortikalen und WM-Läsionen bei Multipler Sklerose im 3T-MRT: eine Deep-Learning-Methode basierend auf FLAIR und MP2RAGE

Das Vorhandensein von kortikalen Läsionen bei Patienten mit Multipler Sklerose hat sich als wichtiger Biomarker der Krankheit herausgestellt. Sie treten in den frühesten Stadien der Erkrankung auf und haben sich als korrelierend mit der Schwere der klinischen Symptome erwiesen. Kortikale Läsionen sind jedoch in herkömmlicher Magnetresonanztomographie (MRT) bei 3T kaum sichtbar, und ihre automatische Erkennung wurde bisher wenig erforscht. In dieser Studie schlagen wir einen vollständig konvolutionalen Deep-Learning-Ansatz vor, der auf dem 3D U-Net basiert, zur automatisierten Segmentierung von kortikalen und weißen Matter Läsionen bei 3T. Zu diesem Zweck betrachten wir eine klinisch plausible MRT-Einstellung, die aus nur zwei MRT-Kontrasten besteht: einer herkömmlichen T2-gewichteten Sequenz (FLAIR) und einer spezialisierten T1-gewichteten Sequenz (MP2RAGE). Wir schließen 90 Patienten aus zwei verschiedenen Zentren ein, mit insgesamt 728 und 3856 grauen und weißen Matter Läsionen, respektiv. Wir zeigen, dass zwei Referenzmethoden, die für die Segmentierung von weißen Matter Läsionen entwickelt wurden, unzureichend sind, um kleine kortikale Läsionen zu erkennen, während unser vorgeschlagenes Framework in der Lage ist, eine Erkennungsrate von 76 % sowohl für kortikale als auch für weiße Matter Läsionen mit einer falsch positiven Rate von 29 % im Vergleich zur manuellen Segmentierung zu erreichen. Weitere Ergebnisse deuten darauf hin, dass unser Framework gut für beide Arten von Läsionen in Probanden, die in zwei Krankenhäusern mit unterschiedlichen Scannern erworben wurden, verallgemeinert werden kann.