{"paper_id":"8004a294-3bee-4fa9-a045-fb1e5a570efb","body_text":"DOI: 10.1055/s-0046-1817689\nMulti-Reader-gestützte manuelle Segmentierung der tief infiltrierenden Endometriose in der Becken-MRT: Ein Referenzdatensatz für KI-basierte Analysen\nAuthors\nZielsetzung Die tief infiltrierende Endometriose (TIE) ist eine chronische gynäkologische Erkrankung, die vorwiegend Beckenstrukturen infiltriert und eine Herausforderung für die klinische Entscheidungsfindung darstellt. Die MRT ermöglicht eine nicht-invasive Kartierung der TIE, jedoch erschweren die heterogene Läsionsmorphologie und variable Signalintensitäten eine konsistente Abgrenzung. Ziel dieser Studie war es, ein Multi-Reader-Segmentierungsframework auf sagittalen T2-gewichteten MRT-Bildern zu etablieren, um ein robustes Ground-Truth-Datenset für Anwendungen der Künstlichen Intelligenz (KI) zu generieren.\nMaterial und Methoden Es wurden 20 anonymisierte Becken-MRT-Datensätze von Patientinnen mit radiologisch gesicherter TIE aus einer größeren institutsinternen Kohorte ausgewählt. Sagittale T2-gewichtete Fast-Spin-Echo-(FSE)-Sequenzen wurden unabhängig von fünf geschulten Annotator:innen entsprechend der #Enzian-Klassifikation (Kategorien A–C, FA–FI, FU) segmentiert. Alle Annotationen wurden anschließend durch eine strukturierte Konsensuskorrektur durch einen erfahrene Radiologen mit über 10 Jahren Erfahrung in der gynäkologischen MRT-Bildgebung überprüft. Die Interobserver-Variabilität wurde mittels Cohen’s κ, gewichteten κ, Fleiss’ κ und Kendall’s W bewertet.\nErgebnisse Alle 20 Datensätze wurden erfolgreich von fünf unabhängigen Leser:innen segmentiert. Die statistische Analyse zeigte eine Variabilität zwischen den individuellen Annotationen, mit einer verbesserten Übereinstimmung nach der Konsensuskorrektur. Das Multi-Reader-Design reduzierte subjektive Verzerrungen, spiegelte diagnostische Unsicherheiten wider und lieferte einen klinisch relevanten Referenzstandard.\nSchlussfolgerungen Das vorgestellte Multi-Reader-Segmentierungsframework schafft ein hochwertiges Ground-Truth-Datenset für sagittale T2-gewichtete MRT-Aufnahmen der TIE. Es unterstützt die reproduzierbare KI-Entwicklung, erleichtert die automatisierte #Enzian-Klassifikation und trägt zur Standardisierung der Befundung in der gynäkologischen Bildgebung bei.\nPublication History\nArticle published online:\n22 April 2026\n© 2026. Thieme. All rights reserved.\nGeorg Thieme Verlag KG\nOswald-Hesse-Straße 50, 70469 Stuttgart, Germany","source_license":"CC0","license_restricted":false}