nnU-Net erzielt 93,5 % Dice bei automatischer Segmentierung des linken Vorhofs

Die präzise Abbildung des linken Vorhofs (LA) aus Herz-MRT‑Scans ist entscheidend für die Planung von Ablationsverfahren bei Vorhofflimmern und für die Erstellung biophysikalischer Herzmodelle. Traditionell erfordert die manuelle Segmentierung viel Zeit, ist von Beobachter zu Beobachter unterschiedlich und eignet sich daher nicht für groß angelegte oder zeitkritische klinische Abläufe.

In der vorliegenden Studie wurde das automatisierte Deep‑Learning‑Framework nnU-Net auf den Daten des Left Atrial Segmentation Challenge 2013 angewendet. Das System passt sich eigenständig an die Eigenschaften der MRT‑Bilder an, indem es Vorverarbeitung, Netzwerkarchitektur und Trainingspipeline optimiert. Dadurch entfällt die Notwendigkeit manueller Konfigurationen.

Die Leistung des Modells wurde anhand des Dice‑Similarity‑Coefficients (DSC) bewertet. Das nnU-Net erzielte einen durchschnittlichen Dice‑Score von 93,5 %, was eine sehr hohe Übereinstimmung mit den Experten‑Masken bedeutet. Im Vergleich zu herkömmlichen Segmentierungsmethoden übertrifft das Modell mehrere frühere Ansätze deutlich.

Besonders hervorzuheben ist die robuste Generalisierung des Netzwerks: Es kann unterschiedliche Formen des linken Vorhofs, Variationen im Kontrast und Bildqualitätsunterschiede zuverlässig verarbeiten und sowohl den Vorhofkörper als auch die proximalen Lungenvenen exakt abbilden. Diese Ergebnisse zeigen, dass nnU-Net ein leistungsfähiges Werkzeug für die automatisierte Herz‑Segmentierung darstellt und das Potenzial hat, klinische Arbeitsabläufe erheblich zu beschleunigen.