Technik von heute für die Medizin von morgen

von Bertram Sabrowsky-Hirsch, MSc und DI Dr. Stefan Thumfart

Aortenaneurysmen sind eine kritische Gefäßerkrankung und jährlich mit tausenden Todesfällen verbunden. Der häufigste durchgeführte Eingriff ist hierbei die endovaskuläre Aortenreparatur (EVAR), wobei eine Stent-Graft Prothese in der Bauchaorta platziert wird, um eine Ruptur zu verhindern. Der Eingriff ist allerdings mit einer hohen Komplikationsrate verbunden und bedingt regelmäßige Folgeuntersuchungen. Diese können nun mittels Segmentierungen und Berechnung von Maßzahlen verbessert werden.

Verringerung der Komplikationen bei Endovaskulärer Aortenreperatur

Ein Bauchaortenaneurysma, auch Abdominales Aorten Aneurysm genannt, wird oftmals zufällig entdeckt, selten äußert es sich mit unklaren Beschwerden wie Bauchschmerzen oder ausstrahlenden Schmerzen in Rücken oder Leiste. Die Häufigkeit eines abdominellen Aneurysmas in der Bevölkerung liegt bei ca. 40 von 100.000 Personen, hauptsächlich Männer über 65 Jahre. [1].

Ist die Diagnose gestellt, muss gemeinsam mit Ärztin oder Arzt entschieden werden, welche Behandlung sinnvoll ist. Aktuell wird in 3/4 der Fälle eine „endovaskuläre Aortenreperatur“ (EVAR) ausgewählt, da diese im Vergleich zum chirurgischen Eingriff weniger stark belastet. Bei der EVAR wird ein Stent-Graft (Abb. 1) über einen Katheder so eingesetzt, dass die Aneurysmenwand entlastet wird und somit die Rupturgefahr gebannt ist. Ein Nachteil der Methode ist jedoch, dass laufende Nachuntersuchungen notwendig sind, da es zu Komplikationen (z.B. sogenannten Endo-Leaks) kommen kann.

Wesentlich für den Erfolg der EVAR ist neben den Fähigkeiten von Ärztin und Arzt, einem hochqualitativen Stent-Graft auch die Gefäßstruktur. Idealerweise könnte man schon vor dem Eingriff, anhand eines CT-A Scans (Computer Tomographie – Angiographie, eine 3D Bildgebung bei der mittels Kontrastmittel das Blutlumen besonders hervorgehoben wird) entschieden werden wie wahrscheinlich eine Komplikation auftritt, oder wie häufig eine Folgeuntersuchung notwendig ist. Grundlage dafür ist die automatische Extraktion und Charakterisierung von Blutgefäß und Stent-Graft aus diesen Scans.

Die automatische Extraktion von Aorta und Stent-Graft muss dafür folgende Eigenschaften erfüllen:

  • schnelle Laufzeit für klinische Anwendung auf Consumer-Hardware,
  • robust für unterschiedliche Stent-Graft-Typen und Gefäßtopologien,
  • hohe Auflösung zur exakten Erfassung der (feinen) Stent-Graft Gitterstrukturen.
2021 02 03 Automatische Bild Segmentierung Abb1

Abb.1 Stent.Graft

Quelle: https://sml.snl.no/stent

Abb. 2 Segmentierung von Aorta und Stentgraft in zwei Phasen. Oben: Extraktion der Centerline aus einem niedrig aufgelösten Scans. Unten: Segmentierung aus hochaufgelösten Scan-Patches. Diese Patches werden anhand der Centerline Information positioniert.

Innovative Lösung: Centerline-basierte Methode

Die von der RISC Software GmbH entwickelte Lösung [3, 4] basiert auf aktuellen Methoden zur medizinischen Segmentierung mittels Deep Learning. Als grundlegende Modelarchitektur haben sich in diesem Bereich vor allem sogenannte U-Nets [5] durchgesetzt. Forscher*innen haben einen zwei-Phasen Ansatz entwickelt (Abb. 2). Zuerst werden anhand eines niedrig aufgelösten Datensatzes die Mediallinien (Centerlines) der Aorta bestimmt. Dies kann auch auf Consumer Grafikkarten mit geringerem Texturspeicher in einem Schritt durchgeführt werden. Basierend auf diesen Mediallinien werden in Phase 2 nun kleinere (hochaufgelöste) Patches aus dem Scan extrahiert und für Training bzw. Vorhersage verwendet. So können auch feine Details (Stent-Graft-Gitter) zuverlässig segmentiert werden. Die Methode wurde für 76 CT-A Scans (36 Patienten) evaluiert. Der durchschnittliche (Median) DICE-Score beträgt 0,969 (Blutlumen) und 0,879 (Stent-Graft).

Die Centerline-basierte Methode kann auf einer Consumer Grafikkarte (NVIDIA GTX 1080 TI) trainiert und ausgeführt werden. Im Vergleich zum State-of-the-Art Segmentierungsframework nnU-Net [6] konnte die Vorhersagedauer für einen 3D Scan von durchschnittlich 10min 24sec auf 1min 54sec – bei gleicher Genauigkeit – reduziert werden. Insgesamt wurden Scans mit fünf verschiedene Stent-Graft-Typen erfolgreich segmentiert.

Im Rahmen des Forschungsprojektes EndoPredictor [2] untersuchte die RISC Software GmbH gemeinsam mit MATTES Medical Imaging und dem Kepler Universitätsklinikum MCIII, wie gut Komplikationen vorhergesagt werden können. Eine wissenschaftliche Publikation der Ergebnisse wird derzeit vorbereitet.

Referenzen

[1] https://www.gesundheit.gv.at/krankheiten/herz-kreislauf/arterien/aneurysma-aorta

[2] https://risc-software.at/endopredictor/

[3] Sabrowsky-Hirsch, Bertram, Stefan Thumfart, Richard Hofer, Wolfgang Fenz, Pierre Schmit, and Franz Fellner. “A Centerline-Guided Approach for Aorta and Stent-Graft Segmentation.” In Proceedings of the Joint Austrian Computer Vision and Robotics Workshop 2020, 102–7. Verlag der TU Graz, 2020. https://doi.org/10.3217/978-3-85125-752-6-24.

[4] Sabrowsky-Hirsch, Bertram, Stefan Thumfart, Wolfgang Fenz, and Richard Hofer. “Automatic Segmentation of the Abdominal Aorta and Stent-Grafts.” Journal of Image and Graphics, accepted 2021.

[5] Ronneberger, Olaf, Philipp Fischer, and Thomas Brox. “U-Net: Convolutional Networks for Biomedical Image Segmentation.” In Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, 234–41. Lecture Notes in Computer Science. Springer, Cham, 2015. https://doi.org/10.1007/978-3-319-24574-4_28.

[6] Isensee, Fabian, Paul F. Jaeger, Simon A. A. Kohl, Jens Petersen, and Klaus H. Maier-Hein. “NnU-Net: A Self-Configuring Method for Deep Learning-Based Biomedical Image Segmentation.” Nature Methods, December 7, 2020, 1–9. https://doi.org/10.1038/s41592-020-01008-z.

Autoren

Stefan Thumfart

(v.l.n.r.) Bertram Sabrowsky-Hirsch, MSc und DI Dr. Stefan Thumfart arbeiten und forschen in der Research Unit Medical- Informatics der RISC Software GmbH.

Diesen Beitrag mit Ihrem Netzwerk teilen: