Automatisierte Bewertung der Myelinreifung auf Schädel-MRTs bei Kindern

Einleitung und Ziel: Die Myelinreifung ist ein dynamischer Prozess, der vor der Geburt beginnt und bis zum Alter von 2 – 3 Jahren andauert. Die Bestimmung der normalen Gehirnentwicklung ist ein wesentlicher Bestandteil der pädiatrischen Neuroradiologie. Oft erfordert dies jahrelange Erfahrung und unterliegt einer Intra-/Interobserver-Variabilität. Eine Automatisierung und Objektivierung dieses Schrittes könnte den Radiologen unterstützen und den Entscheidungsprozess beschleunigen. In dieser Studie zielen wir darauf ab, die Schätzung der Myelinreifung mit einem Deep-Learning-Algorithmus zu automatisieren und diese Pipeline in den täglichen Arbeitsablauf zu implementieren.

Methode: Insgesamt wurden 1002 Kinder, bei denen ein MRT des Gehirns durchgeführt wurde und die 0 bis 36 Monate alt sind, retrospektiv (01.01.2011-01.01.2021) in die Studie aufgenommen. Es wurden nur T1w- und T2w-Bilder für die Analyse ausgewählt. Die Zielaltersgruppen sind nach den chronologischen Meilensteinen der Myelinisierung definiert (< 4 Monate, 5 – 12 Monate, 13 – 24 Monate, 25 – 36 Monate). Es wurde Convolutional Neural Network trainiert diese vier Klassen vorherzusagen. Die Bilder wurden zufällig um 20% vergrößert und verkleinert, um zu verhindern, dass das Netzwerk das Alter anhand der Hirngröße lernt. Für das Training des Modells wurden 778 Bilder mit einer normalen Myelinreifung ausgewählt. Für die Evaluierung wurden 224 Bilder verwendet, welche sowohl gesunde als auch pathologische Probanden enthalten.

Ergebnis: Wir haben gezeigt, dass mit unserer Methode eine Bestimmung des Alters mit hoher Sensitivität als auch Spezifität möglich ist (0,81 – 0,99). Da die Hirngröße randomisiert wurde, muss der Algorithmus seine Vorhersage aufgrund anderer Hirnmerkmale treffen. Wir gehen davon aus, dass die Myelinentwicklung hierbei ein wichtiges Merkmal ist. Somit ist anzunehmen, dass der Algorithmus auch atypische Veränderungen in der Myelinreifung erkennen kann.

Schlussfolgerung: Es ist entscheidend, die Myelinentwicklung zu beurteilen, um Störungen rechtzeitig zu erkennen. Trotz jahrelanger Erfahrung ist die Beurteilung der Normalität eine mühsame Aufgabe, die zu Ermüdung führen kann. Die Automatisierung der Beurteilung der Myelinreifung und deren Implementierung in den täglichen Arbeitsablauf spart wertvolle Zeit für die Kinderradiologen.

[e-mail]

Publication History

Article published online:
19 August 2021