Abstract
En debatt om hvorvidt tilstanden godartet vannhode (BEH) kunne gi samme symptombilde som ved «filleristing» av spedbarn, synliggjorde et behov for mer viten om volumet av cerebrospinalvæske (CSF) hos barn gjennom de to første leveårene. Implementeringen av kunstig intelligens (KI) i radiologi har gitt muligheter for å utvikle algoritmer til å utføre automatisk segmentering. Hensikten med masterstudien var å utvikle en KI-metode for segmentering av ventrikkel CSF og subaraknoidal CSF på MR-bilder av barn fra 0 til 2 år, og evaluere metoden med hensyn til validitet og reliabilitet. Aksiale T2 vektede MR-bilder ble først segmentert manuelt for ventrikkel CSF og subaraknoidal CSF. De segmenterte bildene ble deretter brukt til å trene opp en dyplæringsalgoritme for automatisk segmentering. Tilsammen fem algoritme-versjoner med teoretisk økt presisjon ble utviklet. Samsvar for volum og piksel-overlapp ble evaluert mellom automatiske segmenteringer og manuelt korrigerte gullstandard, for validering av algoritmen. Inter-rater reliabilitet ble utført ved to ulike grupper, en med normale og en med økte CSF volum. Intra-rater reliabilitet utført i en gruppe med normale CSF volum. Piksel-overlapp (Dice koeffisient) og volum (ml) viste høyt samsvar for de to siste KI-algoritme versjonene versus gullstandard, både for ventrikkel og subaraknoidal CSF (Dice-koeffisient ≥ 0,97, ICC = 1,000). Inter- og intra-rater reliabiliteten var høy (Dice-koeffisient ≥ 0,96, ICC = 0,997), men noe lavere for barn med økt CSF volum. I denne studien har vi utviklet og evaluert en metode basert på kunstig intelligens, for segmentering av ventrikkel CSF og subaraknoidal CSF. Den validerte KI metoden kan bli brukt for segmentering av et større materiale, med hensikt om å danne referansemateriale, for CSF volum gjennom de to første leveårene.