Multi-Reader-gestützte manuelle Segmentierung der tief infiltrierenden Endometriose in der Becken-MRT: Ein Referenzdatensatz für KI-basierte Analysen

DOI: 10.1055/s-0046-1817689 Multi-Reader-gestützte manuelle Segmentierung der tief infiltrierenden Endometriose in der Becken-MRT: Ein Referenzdatensatz für KI-basierte Analysen Authors Zielsetzung 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. Material 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. Ergebnisse 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. Schlussfolgerungen 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. Publication History Article published online: 22 April 2026 © 2026. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany