Advertisement

Segmentierung von Brustvolumina in Magnetresonanztomographiedaten unter der Verwendung von Deep Learning

  • Tatyana Ivanovska
  • Thomas G. Jentschke
  • Katrin Hegenscheid
  • Henry Völzke
  • Florentin Wörgötter
Conference paper
Part of the Informatik aktuell book series (INFORMAT)

Zusammenfassung

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.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. 1.
    Ivanovska T, Laqua R, Wang L, et al. A level set based framework for quantitative evaluation of breast tissue density from MRI data. PLOS One. 2014 11;9(11):1–19.Google Scholar
  2. 2.
    Gubern-Merida A, Kallenberg M, Mann RM, et al. Breast segmentation and density estimation in breast MRI: a fully automatic framework. IEEE J Biomed Health Inform. 2015;19(1):349–357.Google Scholar
  3. 3.
    Dalmis MU, Litjens G, Holland K, et al. Using deep learning to segment breast and fibroglandular tissue in MRI volumes. Medical Physics. 2017;44(2):533–546.Google Scholar
  4. 4.
    Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image Segmentation. Proc MICCAI. 2015;9351:234–241.Google Scholar
  5. 5.
    John U, Hensel E, Lüdemann J, et al. Study of health in pomerania (SHIP): a health examination survey in an east german region: objectives and design. Sozialund Präventivmedizin. 2001;46(3):186–194.Google Scholar
  6. 6.
    Tustison NJ, Avants BB, Cook PA, et al. N4ITK: Improved N3 bias correction. IEEE Trans Med Imaging. 2010;29(6):1310–1320.Google Scholar

Copyright information

© Springer-Verlag GmbH Deutschland 2018

Authors and Affiliations

  • Tatyana Ivanovska
    • 1
  • Thomas G. Jentschke
    • 1
  • Katrin Hegenscheid
    • 2
    • 3
  • Henry Völzke
    • 3
  • Florentin Wörgötter
    • 1
  1. 1.Institut für BiophysikGeorg-August Universität GöttingenGöttingenDeutschland
  2. 2.Sana Klinikum LichtenbergBerlinDeutschland
  3. 3.Universitätsmedizin GreifswaldGreifswaldDeutschland

Personalised recommendations