Speaker
Description
Einleitung
Die virtuelle OP-Planung (VSP) spielt eine zunehmende Bedeutung in der maxillofazialen Traumatologie. Voraussetzung dafür ist die Segmentierung von 3D-Bilddatensätzen zur Erstellung von 3D-Oberflächendaten. Es existiert bisher kein frei zugängliches System zur automatisierten Segmentierung und Fragmentseparierung von Unterkieferfrakturen anhand von CT-Datensätzen. Ziel ist es, durch den Einsatz moderner Machine-Learning-Algorithmen eine präzise, reproduzierbare und automatisierte Segmentierung von Frakturfragmenten bei Unterkieferfrakturen aus heterogenen bildgebenden Datensätzen (CT, DVT) zu ermöglichen.
Material und Methoden
Anhand bestehender, im Rahmen der klinischen Routine erstellter CT-Datensätze von Unterkieferfrakturen erfolgte unter Anwendung eines bestehenden neuronalen Netzwerkes zunächst die automatisierte Segmentierung des Unterkiefers. Anschließend erfolgte die manuelle Segmentierung der Frakturspalten, Aufteilung der Segmentierung in die Frakturfragmente und Klassifizierung. Die Segmentierung der Frakturen wurde für eine von zwei Untersuchern unabhängig durchgeführt und anhand von Dice-Koeffizienten und Oberflächendistanzen validiert. Anschließend wurde ein auf nnU-Net basierendes neuronales Netzwerk in der Erkennung, Kennzeichnung und Segmentierung von Unterkieferfrakturen anhand einer Teilmenge der Datensätze trainiert (Trainingsset). Im Anschluss wurde die Qualität der Vorhersagekraft des neuronalen Netzwerks anhand einer zweiten Teilmenge der Datensätze validiert (Kontrollset). Die Validität der Segmentierung wurde analog zur Analyse der manuellen Segmentierung untersucht.
Ergebnisse
Das Training des neuronalen Netzwerkes unter Verwendung der Rechenkapazität des HPC-Clusters des Landes Baden-Württemberg (bwUniCluster) anhand von 123 Trainingsdatenstäzen ergab für das Knochen-Label einen DSC von 0,95 (5-fold-Cross-Validation) bzw. 0,98 (keine Cross-Validation). Die automatisierte Segmentierung zeigte eine im Vergleich zur manuellen Segmentierung vergleichbare Ergebnisqualität (DSC 0,980 ± 0,004, HDavg 0,086 ± 0,156 mm, HDmax 2,079 ± 0,966 mm) in der Segmentierung von Fragmenten des Unterkiefergelenkfortsatzes bei gleichzeitiger Reduzierung des Zeitaufwandes auf wenige Minuten.
Schlussfolgerung
Die automatisierte Segmentierung von Unterkieferfrakturen mithilfe neuronaler Netze ist auf handelsüblicher Hardware und mit frei verfügbarer Open-Source-Software zuverlässig und niedrigschwellig umsetzbar. Eine klinische Anwendung dieses Verfahrens hat das Potential, die virtuelle OP-Planung bei der Versorgung von Unterkieferfrakturen entscheidend zu beschleunigen. Der Einschluss eines größeren, multizentrischen und multiethnischen Trainingsdatensatzes hat das Potential, die klinische Anwendbarkeit weiter zu verbessern.