Zielsetzung
Bei neurodegenerativen Erkrankungen ist die präzise Segmentierung atropher Strukturen nach wie vor eine Herausforderung. Aus diesem Grund haben wir Deep Neural Patchwork (DNP) trainiert, das Putamen bei multipler Systematrophie (MSA), Parkinson-Krankheit (PD) und gesunden Kontrollen zu segmentieren und dessen Leistung mit etablierten Segmentierungsalgorithmen verglichen.
Material und Methoden
Wir schlossen retrospektiv Patienten mit MSA und PD sowie gesunde Kontrollpersonen ein. Anhand von manuellen Segmentierungen des Putamens als Referenzstandard wurde das DNP trainiert, wobei die Kohorte randomisiert in einen Trainings- (N=131) und einen Testsatz (N=120) aufgeteilt wurde. Die Leistung des DNP wurde mit Putamensegmentierungen verglichen, die mit Automatic Anatomic Labelling, Freesurfer und Fastsurfer ermittelt wurden. Zur Validierung wurde die diagnostische Genauigkeit der resultierenden Segmentierungen bei der Abgrenzung von MSA gegenüber Morbus Parkinson und gesunden Kontrollen bewertet.
Ergebnisse
Insgesamt wurden 251 Probanden (61 Patienten mit MSA, 158 Patienten mit Morbus Parkinson und 32 gesunde Kontrollpersonen) mit einem Durchschnittsalter von 61,5+-8,8 Jahren einbezogen. Im Vergleich zum DNP (Dice-Koeffizient 0,96) stellten wir eine signifikant schwächere Leistung für AAL3 (0,72; p<,001), Freesurfer (0,82; p<,001) und Fastsurfer (0.84, p<,001) fest. Dies wurde durch die überlegene diagnostische Wertigkeit des DNP in der Unterscheidung von MSA gegenüber PD und HC (AUC 0,93) gegenüber dem AUC von 0,88 für AAL3 (p=0,02), 0,86 für Freesurfer (p=0,048) und 0,85 für Fastsurfer (p=0,04) untermauert.
Schlussfolgerungen
Durch die Verwendung eines DNP kann eine genaue Segmentierung des Putamens erreicht werden, selbst wenn eine erhebliche Atrophie vorliegt. Dies ermöglicht eine präzisere Extraktion von Bildgebungsparametern oder Formmerkmalen aus dem Putamen in relevanten Patientenkohorten.