Multiparametrische Magnetresonanztomographie der Nieren in einer prospektiven Probanden- und Patientenstudie : Retest-Reliabilität funktioneller Gewebeparameter und Evaluation einer Deep Learning-basierten Organsegmentierung

Der demographischen Wandel führt zu einer erhöhten Prävalenz chronischer Nierenerkrankungen. Ursachen hierfür sind unter anderem die Zunahme chronischer Krankheiten, die die Nieren schädigen, ebenso wie nephrotoxische Medikamente, Diagnostika und Therapien. In der klinischen Praxis werden zur Beurteilung der Nierenfunktion bisher hauptsächlich der Laborparameter Kreatinin und die GFR herangezogen. Diese Methoden sind gut verfügbar und kostengünstig. Allerdings kann der Serumkreatininspiegel durch Muskelaktivität verfälscht werden. Zusätzlich können anhand dieser Parameter Nierenschäden erst in fortgeschrittenen Stadien erkannt werden. Weitere nichtinvasive diagnostische Methoden umfassen die CT-Aufnahme, die mit Strahlenbelastung einhergeht, sowie die Ultraschalluntersuchung, deren Qualität von der Erfahrung des Untersuchers und der Konstitution des Patienten abhängt. Die funktionelle multiparametrische Magnetresonanztomographie ist eine weitere Möglichkeit die Nieren nichtinvasiv und strahlungsfrei zu untersuchen. Dabei wird die gesamte Niere abgebildet und quantitative Gewebeparameter können erhoben werden: Nierenvolumen, Diffusion (ADC-Sequenz), die Oxygenierung (BOLD-Sequenz) sowie die Durchblutung (ASL-Sequenz). Es existieren bisher noch keine standardisierten Protokolle zur Akquisition und Auswertung dieser Gewebeparameter und die Reproduzierbarkeit ist noch nicht vollständig geklärt. Diese wären nötig, um das Nieren-fMRT zukünftig in den klinischen Alltag zu integrieren. Ziele dieser Arbeit waren: I) Sequenzen und Auswertungsmethoden hinsichtlich ihrer Reproduzierbarkeit und Genauigkeit zu testen. Dazu wurde anhand einer prospektiven Patienten- und Probandenstudie die Reproduzierbarkeit von den manuellen Segmentierungs-, bzw. Auswertungsmethoden (ROI-Methode und Gewebesegmentierung) und die Reproduzierbarkeit der untersuchten Sequenzen genauer analysiert. II) Darüber hinaus wird eine Deep Learning-basierte automatische Segmentierung getestet und ihre Segmentierungsgenauigkeit durch einen Vergleich mit der manuellen Gewebesegmentierung untersucht. Für diese Studie wurden Patienten rekrutiert, die mit einer Radionuklidtherapie behandelt werden. Dabei wird ein radioaktiver Ligand injiziert, welcher an die Tumorzellen bindet und somit diese lokal bestrahlt. Durch die Ausscheidung des Liganden über die Niere und die damit verbundene Strahlenbelastung können Nierenschäden resultieren. Eine engmaschige Überwachung der Nierenfunktion ist bei dieser Behandlung daher von großer Bedeutung. Hierfür ist eine sensitive Nierendiagnostik erforderlich, um frühzeitig Nierenschädigungen zu erkennen und diese zu therapieren, beziehungsweise die Radionuklidtherapie auszusetzen. Es wurden von 10 gesunden Probanden jeweils zwei Nieren-MRTs sowie von 24 Patienten unter Radionuklidtherapie ein bis vier Nieren-MRTs mit verschiedenen Sequenzen (ASL, BOLD, Diffusion, Dixon, T1-gewichtete, T2-Mapping, T1-Mapping VFA und MOLLI) aufgenommen. Diese wurden mittels ROI-basierter und mittels gewebesegmentierender Methode manuell ausgewertet. Die Probandenmessungen ergaben dabei 1160 Masken und die Patientenmessungen 3422 Masken. Es wurde die Retest-Reliabilität der einzelnen fMRT-Sequenzen in Nierenkortex und Nierenmark bestimmt und die ROI-basierte Auswertungsmethode mit der manuellen Gewebesegmentierung verglichen. Im Allgemeinen konnte eine gute Reproduzierbarkeit der verschiedenen fMRT-Parameter nachgewiesen werden. Generell zeigten die strukturellen fMRT-Parameter (T1-Mapping MOLLI, ADC-Sequenz) eine bessere Reproduzierbarkeit im Vergleich zu den funktionellen (ASL- und BOLD-Sequenz). Die Werte des Nierenkortex waren dabei besser als die des Nierenmarks. Vergleicht man die beiden manuellen Auswertungsmethoden, so war die Gewebesegmentierung mit einer höheren Retest-Reliabilität der ROI-basierten Segmentierung überlegen. Bei der Evaluation der Deep Learning-basierten automatischen Segmentierung der Nieren wurde diese mit der manuellen Gewebesegmenti…