Ein multimodaler Becken-MRT-Datensatz für Deep Learning-basierte Segmentierung der Beckenorgane bei Endometriose

Endometriose ist eine weit verbreitete gynäkologische Erkrankung, die weltweit etwa 190 Millionen Frauen im gebärfähigen Alter betrifft. Aufgrund ihrer komplexen Erscheinungsform und der invasiven Natur diagnostischer Verfahren hat sich die Magnetresonanztomographie (MRT) als bevorzugte nicht-invasive Methode zur Diagnose dieser Erkrankung etabliert. In Anerkennung des dringenden Bedarfs an fortschrittlichen Diagnosewerkzeugen stellt diese Studie einen neuartigen multimodalen Becken-MRT-Datensatz vor, der speziell für Deep-Learning-Anwendungen zur Segmentierung der Beckenorgane bei Endometriose-Patientinnen kuratiert wurde.\n\nDer Datensatz umfasst MRT-Scans, die von zwei verschiedenen klinischen Einrichtungen gesammelt wurden und insgesamt 132 weibliche Probandinnen umfassen. Die erste Komponente ist ein multizentrischer Datensatz mit 51 Probandinnen, der manuelle Annotationen mehrerer Beckenstrukturen enthält, die unabhängig von drei Experten zur Bewertung der Interrater-Reliabilität erstellt wurden. Die zweite Komponente ist ein einrichtungsbezogener Datensatz mit 81 Probandinnen, der von einem einzelnen Bewerter annotiert wurde und zur Entwicklung und Verfeinerung automatisierter Ovarsegmentierungspipelines verwendet wurde.\n\nZur Bewertung der Segmentierungsleistung wurden zwei Auto-Segmentierungsmethoden getestet: das selbstkonfigurierende nnU-Net und RAovSeg, ein speziell entwickeltes konvolutionales neuronales Netzwerk. Beide Modelle hatten die Aufgabe, kritische Beckenorgane, hauptsächlich die Gebärmutter und die Eierstöcke, zu umreißen, die für alle Probandinnen annotiert wurden. Zusätzlich enthält der Datensatz Segmentierungen von Endometriomen für alle Probandinnen, bei denen solche Läsionen sichtbar waren. Dieser umfassende Annotationsumfang unterstützt ein robustes Training und die Bewertung von Segmentierungsalgorithmen, die auf die durch Endometriose bedingten Komplexitäten zugeschnitten sind.\n\nEine bedeutende Herausforderung, die die Studie hervorhebt, ist die Schwierigkeit der manuellen Ovarsegmentierung in Endometriose-MRT-Scans. Die Variabilität zwischen den Bewertern unterstreicht die subjektive Natur manueller Abgrenzungen und betont die Notwendigkeit zuverlässiger, reproduzierbarer automatisierter Segmentierungsmethoden. Die Verfügbarkeit dieses Datensatzes soll weitere Forschung und Entwicklung von Deep-Learning-Modellen erleichtern und letztlich die diagnostische Genauigkeit und Patientenergebnisse verbessern.\n\nWichtig ist, dass der Datensatz öffentlich zugänglich gemacht wurde, um Transparenz zu fördern und der breiteren wissenschaftlichen Gemeinschaft die Teilnahme an der Forschung zur automatischen Becken-MRT-Segmentierung zu ermöglichen. Die Open-Access-Natur der Studie ermutigt zu kollaborativen Bemühungen zur Verfeinerung von Segmentierungsalgorithmen und könnte so Fortschritte sowohl in der Diagnose als auch in der Überwachung der Behandlung von Endometriose beschleunigen.