Development of deep learning-based algorithm for segmentation of bowel lesions in crohn's disease patients on MRE

Crohn’s disease (CD) is a type of inflammatory bowel disease (IBD). It is characterized by transmural inflammation of the intestinal walls and by skip lesions, often leading to bowel damage, surgery, and disability. Accurate automatic detection of CD can help in rapid diagnosis, patient monitoring and treatment planning. Magnetic Resonance Enterography (MRE) has emerged as a valuable diagnostic tool. However analysis of bowel MRE is challenging due to the complex structure of the bowel wall, and it suffers from subjectivity and inter-observer variation. Computer aided analysis based on AI techniques could be helpful in overcoming such obstacles. The purpose of this work is to develop a deep learning automatic segmentation model for the segmentation of Crohn’s Disease from MRE images. This retrospective study utilized three sets of MRE image data, one for each anatomical plane: axial, coronal, and sagittal. The three datasets were employed to train three nnU-Net neural network’s automatic segmentation models. The performance of these models was evaluated using the Dice and Dilated Dice Score metrics on a 5-fold cross-validation. The segmentation dataset comprised 60 MRE examinations of CD patients (mean age 41 ± 14 years, 34 males). The deep learning segmentation models nnU-Nets achieved a Dice score of 0.243, 0.219, and 0.260, and a Dilated Dice of 0.329, 0.321, and 0.357 in the axial, coronal, and sagittal datasets, respectively. A review of a portion of predictions (11 patients) by a senior radiologist led to the discovery of accurately segmented regions not present in the original labels. The metrics were recomputed, and, with the adjusted results, the models achieved a Dice score of 0.323, 0.279, and 0.295, and a Dilated Dice of 0.413, 0.384, and 0.397 in the axial, coronal, and sagittal datasets, respectively. These findings suggest that deep learning techniques can serve as helpful tools for detecting Crohn’s Disease lesions in the gastrointestinal tract and can be utilized by radiologists as aids in diagnosis.

La malattia di Crohn (CD) è una malattia infiammatoria intestinale (IBD). È caratterizzata da infiammazione transmurale delle pareti intestinali e da lesioni saltuarie, che portando a interventi chirurgici e disabilità. Una rilevazione automatica della presenza ed estensione della malattia può aiutare nella diagnosi e nella pianificazione del trattamento del paziente. L’Enterografia a Risonanza Magnetica (MRE) è emersa come valido strumento diagnostico. Tuttavia, l’analisi dell’MRE intestinale è impegnativa a causa della complessa struttura della parete intestinale e soffre di soggettività tra osservatori. Computer Aided Analysis (CAD) system basati su tecniche di intelligenza artificiale possono essere utili nel superare tali ostacoli. Lo scopo di questa tesi è sviluppare un modello di segmentazione automatica tramite deep learning per segmentare la malattia di Crohn da immagini di enterografia a risonanza magnetica. In questo studio retrospettivo, sono stati utilizzati tre set di immagini MRE, uno per ogni piano anatomico: assiale, coronale e sagittale. Il dataset è stato utilizzati per addestrare tre modelli di segmentazione automatica della rete neurale nnU-Net. Le prestazioni sono state valutate con Dice e Dilated Dice score in una cross-validazione a 5 fold. Il dataset di segmentazione consiste di 60 acquisizioni MRE di pazienti affetti da CD (età media 41 ± 14 anni, 34 uomini). I modelli di segmentazione hanno ottenuto un Dice score pari a 0.243, 0.219 e 0.260, e Dilated Dice score pari a 0.329, 0.321 e 0.357 nel dataset assiale, coronale e sagittale, rispettivamente. Una revisione di un radiologo senior di una parte delle predizioni (11 pazienti) ha portato alla scoperta di regioni correttamente segmentate non presenti nelle label originali. Con le metriche ricalcolate, i modelli hanno ottenuto un Dice score pari a 0.323, 0.279 e 0.295, e un Dilated Dice score pari a 0.413, 0.384 e 0.397 nel dataset assiale, coronale e sagittale, rispettivamente. Questi risultati suggeriscono che le tecniche di deep learning possono rappresentare strumenti utili per la rilevazione di lesioni della malattia di Crohn nel tratto gastrointestinale e possono essere utilizzate dai radiologi come supporto nella diagnosi.