Künstliche Intelligenz berechnet Schwächungskorrekturen für die PET/MRT
Die gewebsspezifische energetische Schwächung von Photonen während einer PET könnte mit Hilfe von Deep Learning auch in der MR-Umgebung künftig zuverlässige Bildrekonstruktionen ermöglichen.
-
Datum:22.03.2018
-
Journal:Radiology. 2018 Feb;286(2):676-84.
-
Titel:Deep Learning MR Imaging-based Attenuation Correction for PET/MR Imaging.
-
Autor:Liu F et al.
Zur Originalstudie
Bei der Hybridbildgebung mittels simultaner PET/MRT kommen durch die MR-Umgebung andere gewebsspezifische Schwächungskorrekturen (attenuation correction, AC) zum Tragen als bei der alleinigen PET-Bildgebung oder der PET/CT. Besonders stark wird das PET-Signal im Knochen geschwächt. Knochen werden in der MRT jedoch nicht gut dargestellt und daher ist die Schwächung auch schwer zu korrigieren. Die Berechnung der Schwächungskoeffizienten stellt die Software-EntwicklerInnen nach wie vor vor eine schwierige Aufgabe.
Fang Liu und KollegInnen, University of Wisconsin School of Medicine and Public Health, USA, verwendeten eine Deep-Learning-Software zur automatischen Berechnung der PET-Schwächungskorrekturen unter MR-Einfluss. Sie führten hierfür eine prospektive Studie durch.
Methode
40 PatientInnen unterzogen sich am gleichen Tag einer kontrast-verstärkten MRT und einer nicht-kontrastverstärkten CT des Kopfes.
Training: Liu et al. wählten einen kontraktiven Auto-Encoder (CAE), ein künstliches neuronales Netz mit 13 Schichten, für die automatische Berechnung der Schwächungskorrektur in Knochen, Luft und Weichgewebe von 30 PatientInnen. Die nicht-kontrastverstärkten CT-Daten dienten als Grundlage für die Zuweisung der Gewebsarten.
Evaluierung: Die Bilddaten der verbliebenen zehn PatientInnen wurden zur Evaluierung des Netzes verwendet. Hierfür wurden aus den MR-Daten Pseudo-CT-Scans erstellt und diese mit den tatsächlichen CT-Daten verglichen. Der Dice-Koeffizient beschreibt die Übereinstimmung der Schwächungskorrekturen für Knochen, Luft und Weichgewebe mit einem Wert zwischen 0 und 1. Ein Wert von 1 entspricht der höchstmöglichen Übereinstimmung.
Prospektive PET-Evaluierung: Fünf weitere ProbandInnen durchliefen ein zusätzliches PET/MRT nach einer klinischen PET/CT oder PET/MRT. Die PET wurde einmal mit CT-basierten Schwächungskorrekturen ausgewertet, einmal mit Dixon-Sequenzen und einmal unter Verwendung des Deep-Learning-Ansatzes. Als Referenzstandard fungierten Bildrekonstruktionen aus der CT.
Ergebnisse
Der Deep-Learning-Ansatz erstellte sehr genaue Pseudo-CT-Scans. Der mittlere Dice-Koeffizient betrug 0,971 ± 0,005 für Luft, 0,936 ± 0,011 für Weichgewebe, und 0,803 ± 0,021 für Knochen.
Die mittels Deep Learning erzielten PET-Rekonstruktionen waren ebenfalls sehr gut. In den meisten Hirnregionen betrug der Fehler unter einem Prozent. Im Vergleich betrug der Fehler mit dem Dixon-Ansatz knapp sechs Prozent und der CT-basierte Ansatz knapp fünf Prozent im Vergleich zum Referenzstandard.
Fazit
Ein Deep-Learning-Ansatz kann zuverlässige Bildrekonstruktionen von PET/MRT-Untersuchungen liefern. Für die genaue Bestimmung der PET-Schwächungskorrekturen sind allerdings gute MR-Trainingsdaten erforderlich, räumen Liu et al. ein.
biho/ktg
22.03.2018
