Lungenperfusionsmessung mit Big Data Methoden
Zusammenfassung der Projektergebnisse
Für die erfolgreiche Behandlung der COPD sind eine frühe Detektion, genaue Überwachung und patientenspezifische Behandlung, auch als personalisierte Medizin bezeichnet, von großer Bedeutung. Frühere Studien stellten die Hypothese auf, dass eine Verringerung der pulmonalen mikrovaskulären Durchblutung (PMBF) nicht nur auf eine Beeinträchtigung der Ventilation durch parenchymale Zerstörung zurückzuführen ist, sondern selbst zur Entwicklung eines Emphysems beitragen kann. Die kontrastmittelverstärkte Perfusionsmessung (4D DCE) kann neue potenzielle Biomarker liefern und die PMBF auf nicht-invasive weise quantifizieren. Derzeit verfügbare Auswertungs-Pipelines erwecken einen archaischen Eindruck und erfordern häufig mehrere Arbeitsstunden für die manuelle Segmentierung der Lunge in den PMBF-Karten. Dies behindert die Akzeptanz der Methode erheblich. Um diesem Bedarf gerecht zu werden, haben wir eine schnelle und nahezu vollautomatische Auswertungspipeline implementiert, um aus 4D-DCE-MRT-Scans zuverlässige, klinisch relevante Perfusionsparameter zu berechnen. Dies geschah auf einer modernen, portablen und leicht wiederverwendbaren Codebasis für die weit verbreiteten Programmiersprachen Python und Matlab. Das Programm wurde als Open Source veröffentlicht um die Akzeptanz der Methode im Studienumfeld zu verbessern. Wir haben ein Modell trainiert, um das Problem der zeitaufwendigen Bildsegmentierung anzugehen. Dazu haben wir einen Datensatz von 90 manuell segmentierten PMBF-Karten aus zwei Zentren (Columbia FMRI Research Center und Johns Hopkins Hospital) zusammengestellt und in 29 Trainings- und 61 Testbilder aufgeteilt. Die aus der manuellen Segmentierung abgeleiteten Perfusionsparameter korrelierten stark mit der vollautomatischen Segmentierung hinsichtlich des Korrelationskoeffizienten (Spearman p ≈ 0,994) sowie der Überlappungsmetriken (Sørensen-Dice-Koeffizient ≈ 93,4%). Darüber hinaus bietet das Modell eine Segmentierung der gesamten Lunge sowie jedes einzelnen Lappens, während frühere Studien eine einzelne koronale Schicht verwendet haben, vermutlich um den hohen Aufwand für die manuelle Segmentierung jeder einzelnen Schicht zu umgehen. Eine Abschätzung, ob dies die Ergebnisse früherer Studien beeinflusst haben konnte, ist schwierig. Zusätzlich haben wir eine Bildregistrierung der Baseline und des Follow-Up CTs auf die PMBF-Karte der Baseline durchgeführt. Dies ermöglicht die Abschätzung des Emphysems zur Basline sowie dessen Verlauf innerhalb der PMBF-Karte. Wir fanden einen statistisch signifikanten Unterschied (p ≈ [0,002,...,0,041]) in der mittleren Perfusion jedes Lungenlappen in Korrelation mit dem relativen Emphysem-Fortschritt für das obere und untere 50%-Perzentil. Wir haben die von Tustison et al. (2010) beschriebene CT/CT Ko-Registrierungs-Pipeline in Python und den Advanced Normalization Tools (ANTs) implementiert. Der Code wurde ebenfalls als Open Source veröffentlicht. Wir haben eine Lungenbildgebungs-Pipeline zur Berechnung neuartiger Perfusionsbiomarker entwickelt, die mit minimaler Benutzerinteraktion einen hohen Durchsatz mit hoher Validität ermöglicht, um die Weiterentwicklung von bildgebenden Biomarkern zu fordern. Der pulmonale mikrovaskuläre Blutfluss wurde als signifikanter Biomarker zur Bestimmung des Fortschreitens eines Emphysems identifiziert. Die 4D-DCE-MRT-Perfusionsanalyse und die CT/CT Ko-Registrierungs-Pipelines wurden als Open Source veröffentlicht.
Projektbezogene Publikationen (Auswahl)
- “Fully-Automated Multi-Atlas Lobe Based Lung Segmentation of Lung Perfusion MR Images Using Machine Learning Techniques in COPD Patients”. RSNA 2016 Annual Meeting (Chicago). Radiological Society of North America
Hinrich B Winther et al.
- “Vollautomatische, lappenbasierte Segmentierung von MR-Pefusionsmessungen in COPD Patienten mit Methoden des maschinellen Lernens”. In: RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren. 98. Deutscher Röntgenkongress. Vol. 189. Georg Thieme Verlag
H. Winther et al.
(Siehe online unter https://doi.org/10.1055/s-0037-1600185) - “Deep Semantic Lung Segmentation for Tracking Clinical Biomarkers of Chronic Obstructive Pulmonary Disease”. GPU Technology Conference (ICM, Munich, Germany), 2018
HB Winther and C Hundt
- “Deep Semantic Lung Segmentation for Tracking Potential Pulmonary Perfusion Biomarkers in Chronic Obstructive Pulmonary Disease (COPD): The Multi-ethnic Study of Atherosclerosis COPD Study”. In: Journal of Magnetic Resonance Imaging
Hinrich B. Winther et al.
(Siehe online unter https://doi.org/10.1002/jmri.26853)
