Segmentierung der Nasennebenhöhlen in CT-Bildern mithilfe von Deep Learning

Die Segmentierung der Nasennebenhöhlen ist unerlässlich für die Planung von Operationen, die Erstellung von Diagnosen und die Planung von Therapien. Das Erstellen von Segmentierungsmasken erfordert ein hohes Mas an Expertise, da die zu segmentierenden Strukturen sehr komplex und variabel sein können. Daher werden diese in der Praxis meist manuell oder halbautomatisch von geschultem Fachpersonal erstellt. Dieser Prozess ist sehr zeitintensiv, vor allem bei der Erstellung von 3D Segmentierungsmasken Für CT oder MRT-Scans. Eine automatische Segmentierungsmethode ist daher wünschenswert. Aufgrund der strukturellen Unregelmäsigkeiten und komplexen Formen der Nasennebenhöhlen ist dies sehr schwer umzusetzen. Deep Learning Modelle, vor allem Convolutional Neural Networks(CNN), haben sich in den letzten Jahren in der medizinischen Bildsegmentierung als sehr erfolgreich erwiesen. Deshalb wird in dieser Arbeit eine automatische Segmentierungsmethode für die zehn Nasennebenhöhlen in 3D CT-Bildern unter Verwendung eines CNNs vorgeschlagen. Es wird ein binäres 3D U-Net für die Segmentierungsaufgabe implementiert. Das Netzwerk wird auf die Segmentierung der rechten Kieferhöhle optimiert und für die Segmentierung der restlichen Nasennebenhöhlen verwendet. Es wird mit einem Datensatz von 85 CT Scans, die bereits von einer spezialisierten HNO-Ärztin segmentiert wurden, gearbeitet. Zu erwähnen ist die Heterogenität des Datensatzes in Bezug auf den Bildkontrast und die Auflösung. Das Modell erzielt für die Segmentierung der rechten Kieferhöhle einen Dice-Score von 0.839 und für die linke Kieferhöhle einen Dice-Score von 0.87. Im Durchschnitt wird über alle Strukturen ein Dice-Score von 0.6761 erreicht. Die vorgestellte Methode ist fähig, Eigenschaften und Merkmale der Strukturen zu lernen und Segmentierungen zu erstellen. Die Ergebnisse sind vielversprechend, für die Anwendung der Methode im klinischen Alltag muss diese allerdings noch optimiert werden. Die vorgestellte Methode ist die erste automatische, auf Deep Learning basierende Methode, die alle zehn Nasennebenhöhlen berücksichtigt und bietet dafür eine stabile Basis für zukünftige automatische Segmentierungsmethoden der Nasennebenhöhlen.