25vnda25 10.3205/25vnda25 urn:nbn:de:0183-25vnda251 Meeting Abstract Luyken Luyken Adrian A

Rostock

author Barranco Barranco J. J

Department of Radiology, Lausanne University Hospital and University of Lausanne/CH CIBM Center for Biomedical Imaging, Lausanne/CH

author Fuchsluger Fuchsluger T. T

Rostock

author Stachs Stachs P. P

Karlsruhe Institute of Technology (KIT), Karlsruhe

author Langner Langner S. S

Department of Diagnostic Radiology and Neuroradiology, University of Greifswald

author Stachs Stachs O. O

Rostock

author Franceschiello Franceschiello B. B

Department of Radiology, Lausanne University Hospital and University of Lausanne/CH CIBM Center for Biomedical Imaging, Lausanne/CH The Sense Innovation and Research Center, Lausanne and Sion/CH

author Cuadra Cuadra M. Bach MB

Department of Radiology, Lausanne University Hospital and University of Lausanne/CH CIBM Center for Biomedical Imaging, Lausanne/CH

author German Medical Science GMS Publishing House

Düsseldorf

610 20250610 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0621 25 Vereinigung Norddeutscher Augenärzte 74. Tagung der Vereinigung Norddeutscher Augenärzte (VNDA) Innovationen & Imaging Rostock-Warnemünde 20250620 20250621 25vnda25 TextZielsetzung: Mit dem Fortschritt Künstlicher Intelligenz gewinnen automatisierte Segmentierungsverfahren in der MRT-Bildgebung zunehmend an Relevanz für die medizinische Diagnostik. Insbesondere im Bereich der Orbita erlauben sie eine hochauflösende Darstellung komplexer anatomischer Strukturen und präzise quantitative Analysen – eine entscheidende Voraussetzung für die Beurteilung und Therapie orbitaler Erkrankungen. Ziel dieser Studie war es, die Anwendbarkeit eines zuvor an gesunden Probanden trainierten Segmentierungsmodells (nnU-Net) auf MRT-Aufnahmen von Patienten mit endokriner Orbitopathie (EO) zu untersuchen, die mit unterschiedlichen MRT-Scannern aufgenommen wurden.Methodik: Retrospektiv konnten MRT-Datensätze von 85 PatientInnen mit aktiver und inaktiver endokriner Orbitopathie für die weitere Analyse eingeschlossen werden. Die Segmentierung erfolgte sowohl manuell als auch automatisiert mithilfe des A-Eye-Modells, das mit nativen T1-gewichteten Sequenzen trainiert wurde und zuverlässig orbitale Strukturen wie Linse, Bulbus, Sehnerv, Fettgewebe und Augenmuskeln differenzieren kann. Es wurden T1-gewichtete FSE- und LAVA-Sequenzen mit 3 mm isotroper Auflösung verwendet, aufgenommen an 1,5T- (n=36) und 3T-Scannern (n=49). Die Übereinstimmung zwischen manueller und automatischer Segmentierung wurde mittels volumetrischer Differenzen, Dice Similarity Coefficient (DSC) sowie der Hausdorff-Distanz bewertet. Zudem erfolgte ein Vergleich mit normativen Referenzdaten aus der SHIP-Studie.Ergebnisse: Von den insgesamt 85 Augen konnten letztendlich nur 10 Augen (11,7%) erfolgreich segmentiert werden. In diesen Fällen ermöglichte die automatische Segmentierung eine zuverlässige Detektion zentraler ophthalmologischer Parameter. Für die Linse und den Bulbus lagen die mittleren DSC-Werte bei 0,53 bzw. 0,71 und damit unter den Vergleichswerten gesunder Kontrollgruppen (0,73 bzw. 0,91). Für den Sehnerv, die Muskulatur sowie intra- und extrakonales Fettgewebe konnte die Modellleistung aus der Validierung an gesunden Probanden nicht reproduziert werden.Schlussfolgerung: Deep-Learning-basierte Methoden zeigen grundsätzlich ein gutes Potenzial zur automatisierten Segmentierung orbitaler Strukturen auch in der klinischen Anwendung. Die Ergebnisse verdeutlichen jedoch die Herausforderungen durch sogenannte Domain Shifts – etwa durch Unterschiede in der Scannertechnik, Sequenzwahl oder eine pathologisch veränderte Anatomie. Für eine robuste Anwendung bei pathologischen Befunden, insbesondere in LAVA-Sequenzen, sind weiterentwickelte Modelle erforderlich, die gegenüber solchen Variationen resilienter sind. 0 0 0 0