Kardiale MRT: Aktuelle Fortschritte künstlicher Intelligenz
Methoden der künstlichen Intelligenz (KI) dürften zunehmend alle Arbeitsbereiche der kardialen MRT durchdringen. Sie beschleunigen Scan, Bildrekonstruktion und Datenauswertung.
-
Datum:31.01.2024 0 Kommentare
-
Journal:Radiology 2024;310(1):e231269
-
Titel:Present and Future Innovations in AI and Cardiac MRI
-
Autor:Morales MA, Manning WJ, Nezafat R
Zur Originalstudie
„Selbststeuernde“ Scanner
Selbststeuernde Scanner werden nach und nach verfügbar – bei ihnen bestimmt die KI automatisch die Parameter für die kardiale Bildgebung.
So kann ein Deep-Learning-Framework (Blansit 2019) im Prinzip das gesamte Scanverfahren mit automatischer Schnittvorgabe und Optimierung der Parameter automatisieren. Die Rolle der Medizinischen Technolog:innen für Radiologie (MTR) würde sich damit hin zur Qualitätskontrolle verschieben.
KI-gestütztes Scannen könnte den Durchsatz erhöhen und zu kürzeren Scanzeiten, höherer Konsistenz und besserer Bildqualität führen (Kwong 2023).
Die Ansätze für solche „selbststeuernden“ Scanner müssen aber klinisch noch robuster werden.
Bildrekonstruktion
Undersampling, also eine zu geringe Abtastrate während der Bildrekonstruktion, verringert das Signal-Rausch-Verhältnis (SNR) und führt zu "Aliasing-Artefakten" (Streifenartefakte). Mit KI lassen sich solche Artefakte entfernen.
Der Großteil der KI-Ansätze für die schnellere kardiale MRT konzentriert sich auf die CINE-Bildgebung mit oder ohne Berücksichtigung des k-Raums (Shen 2021; Morales 2022). Wenn ausschließlich undersampelte Daten verfügbar waren, wurden als Referenzstandard mit Compressed Sensing rekonstruierte Bilder verwendet (El-Rewaidy 2021). Damit lässt sich die Rekonstruktionszeit zwar verkürzen, allerdings bleibt die Datenqualität beschränkt auf das Niveau der aktuell verfügbaren Algorithmen.
Die mit KI beschleunigte Koronar-MRT zeigt ein gutes diagnostisches Potenzial (Wu 2023). Auch eine KI-beschleunigte zwei- oder vierdimensionale Phasenkontrast-MRT ist verfügbar (Oscanoa 2023).
Trotz des Bedarfs, die Akquisition von myokardialer Perfusion und Late Gadolinium Enhancement (LGE) zu beschleunigen, gibt es dazu nur wenige Studien (Wang 2022, El-Rewaidy 2020, Le 2021).
Verbesserte Auflösung
Modelle zur Verbesserung der Auflösung können die Scanzeit verschiedener Sequenzen verkürzen, etwa für CINE-Bildgebung (Yoon 2023), koronare Bildgebung (Küstner 2021) und kardiale Diffusion (Teh 2020).
Diese Techniken sind für verschiedene Sequenzen einsetzbar. So kann etwa die von Yoon 2023 vorgeschlagene Technik, die mit CINE-Daten trainiert wurde, auch zur Rekonstruktion von Echtzeit-Bildern oder zur Verkürzung der LGE-Bildgebung verwendet werden. Es gibt allerdings Bedenken, dass solche Modelle „halluzinieren“ und realistisch aussehende Bilder erzeugen könnten, die nicht der Realität entsprechen. Daher ist vor dem klinischen Einsatz solcher Modelle eine gründliche Evaluierung erforderlich.
Rauschreduzierung / Denoising
Die Rauschreduzierung von MRT-Bildern kann das SNR verbessern. Zum Beispiel, wenn die Aufnahmen mit einem schwachen Magnetfeld oder mit Low-SNR-Sequenzen (LGE) gemacht wurden. Herkömmliche Denoising-Methoden können aber auch zu Bildunschärfen führen. In den letzten Jahren gab es erhebliche Verbesserungen bei der natürlichen Rauschunterdrückung durch KI (Tian 2020), die auch für die MRT genutzt werden könnten.
Um auch den klinischen Nutzen der KI-basierten Rauschreduktion bei kardialen MRT-Scans zu demonstrieren, braucht es aber noch weitere Evaluierungen.
Quantitative Charakterisierung des Myokards
Um bei Sequenzen zur Myokard-Charakterisierung (z. B. T1-Mapping) die Gewebeparameter zu erfassen, werden Bilder mit unterschiedlicher Gewichtung über mehrere Herzzyklen hinweg aufgenommen. KI-basierte Modelle können hier die Scanzeit verkürzen, indem sie quantitative Werte aus einer geringeren Anzahl von Bildern errechnen (Guo 2022, Le 2022).
Auswertung der Bilder
Das Segmentieren ist noch immer eine der zeitaufwändigsten und am wenigsten beliebten Aufgaben in der kardialen MRT. Die Forschung in diesem Bereich hat daher stetig zugenommen (Litjens 2019).
Insgesamt ist die KI-basierte Segmentierung zwar schon relativ erfolgreich, aber es sind noch häufig manuelle Anpassungen und Qualitätskontrollen nötig, um die Leistung der KI-Modelle zu verbessern (Alabed 2022).
Fast alle Hersteller bieten inzwischen KI-basierte Lösungen an, um auf Grundlage von CINE-Bildern funktionelle und volumetrische Parameter zu errechnen. Ein vollautomatisches KI-Modell (Davies 2022) übertraf bei der Beurteilung der linksventrikulären Struktur und Funktion menschliche Befunder:innen hinsichtlich Geschwindigkeit und Genauigkeit.
Die LGE-Bildgebung ist ein zentraler Bestandteil der meisten klinischen kardialen MRT-Protokolle. Die Quantifizierung von LGE-Narben gilt jedoch weiterhin als schwierig – ihre Beurteilung bleibt meist subjektiv und beschränkt sich auf das reine Vorhandensein und die Lokalisierung. Die Ansätze für die automatische LGE-Quantifizierung sind vielversprechend; allerdings sind die entsprechenden Modelle derzeit noch nicht auf dem Markt (Fahmi 2021).
Referenzen zu "Kardiale MRT: Aktuelle Fortschritte künstlicher Intelligenz"
Alabed S et al. Validation of artificial intelligence cardiac MRI measurements: relationship to heart catheterization and mortality prediction. Radiology 2022;305(1):68–79. https://doi.org/10.1148/radiol.212929
Blansit K et al. Deep learning-based prescription of cardiac MRI planes. Radiol Artif Intell 2019;1(6):e180069. https://doi.org/10.1148%2Fryai.2019180069
Davies et al. Precision measurement of cardiac structure and function in cardiovascular magnetic resonance using machine learning. J Cardiovasc Magn Reson 2022;24(1):16. https://doi.org/10.1186/s12968-022-00846-4
El-Rewaidy H et al. Multi-domain convolutional neural network (MD-CNN) for radial reconstruction of dynamic cardiac MRI. Magn Reson Med 2021;85(3):1195–1208. https://doi.org/10.1002/mrm.28485
El-Rewaidy H et al. Deep complex convolutional network for fast reconstruction of 3D late gadolinium enhancement cardiac MRI. NMR Biomed 2020;33(7):e4312. https://doi.org/10.1002/nbm.4312
Fahmy AS et al. Improved quantification of myocardium scar in late gadolinium enhancement images: deep learning based image fusion approach. J Magn Reson Imaging 2021;54(1):303–312. https://doi.org/10.1002/jmri.27555
Guo et al. Accelerated cardiac T1 mapping in four heartbeats with inline MyoMapNet: a deep learning-based T1 estimation approach. J Cardiovasc Magn Reson 2022;24(1):6. https://doi.org/10.1186/s12968-021-00834-0
Küstner T et al. Deep-learning based super-resolution for 3D isotropic coronary MR angiography in less than a minute. Magn Reson Med 2021;86(5):2837–2852. https://doi.org/10.1002/mrm.28911
Kwong RY et al. Artificial intelligence-guided cardiac magnetic resonance imaging as a clinical routine procedure leads to substantial reduction of scan time and improvement of imaging quality. Comparative results of 1,147 patient studies from a single US center. J Am Coll Cardiol 2023;81(8 Supplement):1363. https://doi.org/10.1016/s0735-1097(23)01807-7
Le JV et al. Deep learning for radial SMS myocardial perfusion reconstruction using the 3D residual booster U-net. Magn Reson Imaging 2021;83:178–188. https://doi.org/10.1016/j.mri.2021.08.007
Le JV et al. Accelerated cardiac T1 mapping with recurrent networks and cyclic, model-based loss. Med Phys 2022;49(11):6986–7000. https://doi.org/10.1002/mp.15801
Litjens G et al. State-of-the-art deep learning in cardiovascular image analysis. JACC Cardiovasc Imaging 2019;12(8 Pt 1):1549–1565. https://doi.org/10.1016/j.jcmg.2019.06.009
Morales MA et al. An inline deep learning based free-breathing ECG-free cine for exercise cardiovascular magnetic resonance. J Cardiovasc Magn Reson 2022;24(1):47. https://doi.org/10.1186/s12968-022-00879-9
Oscanoa JA et al. Accelerated two-dimensional phase-contrast for cardiovascular MRI using deep learning-based reconstruction with complex difference estimation. Magn Reson Med 2023;89(1):356–369. https://doi.org/10.1002/mrm.29441
Shen D et al. Rapid reconstruction of highly undersampled, non-Cartesian real-time cine k-space data using a perceptual complex neural network (PCNN). NMR Biomed 2021;34(1):e4405. https://doi.org/10.1002/nbm.4405
Teh I et al. Improved compressed sensing and super-resolution of cardiac diffusion MRI with structure-guided total variation. Magn Reson Med 2020;84(4): 1868–1880. https://doi.org/10.1002/mrm.28245
Tian C et al. Deep learning on image denoising: an overview. Neural Netw 2020;131:251–275. https://doi.org/10.1016/j.neunet.2020.07.025
Wang J et al. DEep learning-based rapid Spiral Image REconstruction (DESIRE) for high-resolution spiral first-pass myocardial perfusion imaging. NMR Biomed 2022;35(5):e4661. https://doi.org/10.1002/nbm.4661
Wu X et al. Deep learning-based acceleration of com- pressed sensing for noncontrast-enhanced coronary magnetic resonance angiography in patients with suspected coronary artery disease. J Magn Reson Imaging 2023;58(5):1521–1530. https://doi.org/10.1002/jmri.28653
Yoon S et al. Accelerated cardiac MRI cine with use of resolution enhancement generative adversarial inline neural network. Radiology 2023;307(5):e222878. https://doi.org/10.1148/radiol.222878
mh/ktg
31.01.2024
