R.S.A. TEN BRINK1,2, B.J. MEREMA1,2, M.E. DEN OTTER², W.A. VAN VELDHUIZEN2, M.J.H. WITJES1,2,
J. KRAEIMA1,2
¹ Afdeling Mondziekten, Kaak- en Aangezichtschirurgie, UMC Groningen, Groningen
² 3D Lab, UMC Groningen, Groningen
Introductie en doelstelling
3D virtuele chirurgische planning bij hoofd-halsoncologie vereist botmodellen uit CT en tumorsegmentaties uit MRI. Dit multimodale benadering leidt tot registratie-onnauwkeurigheden, verhoogde stralingsbelasting en toegenomen scantijd voor zowel patiënt als ziekenhuis. Een workflow met één modaliteit is daarom wenselijk. Eerder onderzoek focuste zich op de blackbone MRI sequentie, maar dit zorgt voor een langer MRI-protocol en heeft handmatige aanpassingen nodig. Dit onderzoek had tot doel een deep learning-model te ontwikkelen voor directe botsegmentatie uit routinematige T1 MRI, om een MRI-only workflow mogelijk te maken.
Materiaal en methoden
Honderd patiënten met gepaarde CT- en MRI-scans werden retrospectief geïncludeerd. Handmatige segmentaties van mandibula, cranium en nervus alveolaris werden op CT gemaakt. MRI-scans werden herschaald naar de voxelgrootte van CT. Hierna werden de CT-segmentaties bot-voor-bot rigide geregistreerd en gebruikt als trainingslabels. Het neurale netwerk werd getraind op 80 casussen en gevalideerd op 20. Evaluatie werd gedaan met Dice-coëfficiënt, Intersection over Union, precisie en recall. Daarnaast werd oppervlakte-afwijking tussen CT- en MRI-gebaseerde modellen bepaald.
Resultaten
Het model behaalde een gemiddelde Dice van 0,86 (SD ±0,03), IoU 0,76 (SD ±0,05), en zowel precisie als recall van 0,86 (SD ±0,05). De oppervlakteafwijking bedroeg 0,21 mm (IQR 0,05) voor de mandibula en 0,30 mm (IQR 0,05) voor het cranium.
Conclusie
Een deep learning model, getraind op geregistreerde 3D CT reconstructies als training labels, kan nauwkeurig de mandibula en het cranium op routinematige T1 MRI-scans segmenteren. Een MRI-only virtuele chirurgische planning is hiermee haalbaar en kan door minder afhankelijk van CT te zijn, zorgen voor minder stralingsbelasting en logistieke complexiteit verkleinen.
