Segmentierung von Brustvolumina in Magnetresonanztomographiedaten unter der Verwendung von Deep Learning

Kurzfassung. Die Segmentierung von Hintergrund und Brustgewebe ist ein wichtiger Teil der Auswertung von Magnetresonanztomographie-Daten der Brust. Normalerweise wird diese von Ärzten manuell durchgeführt. In dieser Arbeit wurde die Segmentierung hingegen mit einer U-net Architektur realisiert. Dabei wurden zwei Netzwerke trainiert und anschließend auf ein unbekanntes Testset, bestehend aus 8 Probandinnen, angewendet. Die so berechneten Segmentierungen wurden dann mit von Ärzten manuell vorgenommenen verglichen. Das erste U-net nutzt keine weitere Vorverarbeitungsmethode und erreicht einen DSC von 0.91±0.09 (Mittelwert ± Standardabweichung). Beim zweiten Netzwerk wurde der N4ITK Bias Correction Algorithmus als Vorverarbeitungsmethode verwendet. Die Masken für N4ITK können sehr grob sein und daher in einer späteren Anwendung von einem Arzt schnell erstellt werden. In dieser Konstellation wurde bei der Segmentierung des Testsets ein DSC von 0.98±0.05 erreicht. Die Segmentierungen benötigen darüber hinaus nach Anfertigung der Masken für den Vorverarbeitungsalgorithmus 14s. Die Methode hat somit das Potential, Anwendung in der medizinischen Diagnostik zu finden.