Volltext-Downloads (blau) und Frontdoor-Views (grau)
  • search hit 9 of 14
Back to Result List

Bitte verwenden Sie diesen Link, wenn Sie dieses Dokument zitieren oder verlinken wollen: https://nbn-resolving.org/urn:nbn:de:gbv:9-002085-9

Prostate volume estimation in MR images for epidemiological and clinical studies – new methods

  • Benign prostatic hyperplasia (BPH) is one of the most widespread diseases among men older than 50 years. The literature provides various cut-off values for pathological enlargement of the prostate. Prostate volume (PV) measurement in large population-based studies would allow deriving more objective reference values and a more valid early BPH diagnosis. A fully automated method is therefore required. In the clinical context, the measurement of the PV is important for treatment response monitoring in the clinical applications for BPH management research, and an accurate method for PV is essential. Magnetic Resonance Imaging was used for PV estimation. Two methods based on the Support Vector Machines (SVM) were developed: the binary Support Vector Machines (C SVM)-based method for epidemiological studies and the single-class Support Vector Machines (S SVM)-based method for clinical studies. The second method was additionally compared to the ellipsoid formula for PV estimation, which is widespread in the clinic. The comparison between volume measurement of the C SVM-based method and manual delineation of observers A and B yielded a strong correlation (Spearmans rank correlation coefficients ñ of 0.936 [p < 0.001] and 0.859 [p < 0.001], respectively). Comparing the C SVM-based method and the two manual delineations by observers A and B shows an agreement with a mean difference of 3.0 ml (95% confidence interval of -3.1 to +9.2 ml) and 1.9 ml (95% confidence interval of −7.1 to +10.8 ml), respectively. The S SVM-based method and the reference PV (manual delineation of observer A) show excellent correlation (Spearmans rank correlation coefficient ñ = 0.965, p < 0.001), while the ellipsoid formula is less well correlated with the reference PV (Spearmans rank correlation coefficient ñ = 0.873, p < 0.001). The mean difference between S SVM and the reference PV was −0.05 ml (95% confidence interval of −3.8 to +3.7 ml); on the other hand, the mean difference between the ellipsoid formula and the reference PV was much greater, with 8.6 ml (95% confidence interval of +1 to +16.2 ml). The C SVM-based method has considerable potential for integration in epidemiological studies. The prostate volumes obtained by the S SVM-based method agreed excellently with the reference and would be clinically useful for urologists in prostate volumetric analysis.
  • Die benigne Prostatahyperplasie (BPH) ist eine der am meisten verbreiteten Erkrankungen bei Männern, die älter als 50 Jahre sind. Für diese Vergrößerung der Prostata sind unterschiedliche Volumen-Schwellenwerte aus der Literatur bekannt. Eine Messung des Prostatavolumens (PV) sollte daher in einer populationsbasierten Studie objektive Referenzwerte liefern und eine frühzeitige valide BPH-Diagnostik ermöglichen. Dafür ist eine genaue vollautomatische Methode zur Volumenbestimmung notwendig. Im klinischen Kontext spielt die PV-Messung eine große Rolle als Behandlungsüberwachungsparameter in der klinischen Anwendung sowie für die Forschung im BPH-Management. Eine genaue Methode für die PV-Messung ist hier essentiell. Für die PV-Messung wurden MRT-Bilddaten des Prostata-Areals verwendet. Zwei „Support Vector Machines“-basierte Methoden wurden für die Volumenbestimmung entwickelt: die „binary Support Vector Machines“ (C SVM)-basierte Methode für epidemiologische Studien und die „Single Class Support Vector Machines“ (S SVM)-basierte Methode für klinische Studien. Die zweite Methode wurde mit der klinisch weitverbreiteten Ellipsen-Formel für PV-Messung verglichen. Der Vergleich zwischen der PV-Messung der C SVM-basierten Methode und der manuellen Abgrenzung der Prostata durch zwei Beobachter zeigt eine starke Korrelation (Spearmans Korrelationskoeffizient ρ = 0.936, p < 0.001 und = 0.859, p < 0.001). Der Bland-Altman-Plot zeigt eine Übereinstimmung mit dem Mittelwert der Differenzen von 3.0 ml (95 % Konfidenzintervall: -3.1 bis +9.2 ml) und 1.9 ml (95 % Konfidenzintervall: −7.1 bis +10.8 ml). Die S SVM-basierte Methode besitzt eine exzellente Korrelation mit der Referenz-PV –manuelle Abgrenzung vom Beobachter– (Korrelationskoeffizient ρ = 0.965, p < 0.001), während das bekannte Ellipsen-Modell eine deutlich geringere Korrelation mit der Referenz-PV (Korrelationskoeffizient ρ = 0.873, p < 0.001) aufweist. Der Mittelwert der Differenzen zwischen der S SVM-basierten Methode und der Referenz-PV war −0.05 ml (95 % Konfidenzintervall: -3.8 bis +3.7 ml). Der Mittelwert der Differenzen zwischen der Ellipsen Formel und der Referenz-PV war mit 8.6 ml deutlich höher (95 % Konfidenzintervall: +1 bis +16.2 ml). Die C SVM-basierte Methode hat somit ein deutliches Potential für die Integration in epidemiologischen Studien zur BPH. Die S SVM-basierten Prostatavolumen stimmen mit der Referenz exzellent überein. Die Methode ist daher nützlich für klinisch-urologische Prostata-volumetrische Analysen.

Download full text files

Export metadata

Additional Services

Search Google Scholar

Statistics

frontdoor_oas
Metadaten
Author: Mohamad Habes
URN:urn:nbn:de:gbv:9-002085-9
Title Additional (English):Prostate volume estimation in MR images for epidemiological and clinical studies – new methods
Title Additional (German):Volumetrierung der Prostata in MR-Bilder für epidemiologische und klinische Studien - neue Methoden
Advisor:Prof. Dr. Wolfgang Hoffmann
Document Type:Doctoral Thesis
Language:English
Date of Publication (online):2014/11/19
Granting Institution:Ernst-Moritz-Arndt-Universität, Universitätsmedizin (bis 31.05.2018)
Date of final exam:2014/10/30
Release Date:2014/11/19
Tag:Magnetic Resonance Imaging; Pattern Recognition; Prostate
GND Keyword:Kernspintomographie, Prostata, Mustererkennung
Faculties:Universitätsmedizin / Institut für Community Medicine
DDC class:600 Technik, Medizin, angewandte Wissenschaften / 610 Medizin und Gesundheit