RöKo 2024 – KI reduziert die Strahlendosis in der CT: Geht das gut?

RöKo 2024 – KI reduziert die Strahlendosis in der CT: Geht das gut?

Verschiedene Hersteller bieten Künstliche Intelligenz (KI) Applikationen für die CT-Bildrekonstruktion an. Die Algorithmen sorgen für eine Rauschunterdrückung und ermöglichen damit eine Reduktion der Strahlendosis. Welche Applikationen in der klinischen Anwendung zu finden sind, erläuterte Marc Kachelrieß vom DKFZ Heidelberg.

  • Datum:
    15.05.2024 0 Kommentare
  • Autor:
    biho/ktg
  • Sprecher:
    Marc Kachelrieß, DKFZ Heidelberg
  • Quelle:
    RöKo 2024

Algorithmen im klinischen Einsatz

Rauschreduzierung auf IR-Basis

Algorithmen, die das Bildrauschen auf Basis gefilterter Rückprojektion (filtered back projection, FBP) herausfiltern, erzielen nicht immer ein ideales Ergebnis (Wang 2018). AiCE von Canon und AIIR von United Imaging glätten das Rauschen daher mit iterativer Rekonstruktion (IR), Canon mit dem herstellereigenen FIRST.

Höhere Strahlendosen im GroundTruth

Die GroundTruth-Daten vieler KI-Applikationen beruhen auf Bildern, die mit Standarddosen erzielt wurden. GE-Healthcare gibt an, auch Bilder zu verwenden, die mit höheren Dosen aufgenommen wurden. „Hier ist die Rekonstruktion unter Umständen genauer“, meinte Kachelrieß.

Höhere Auflösung im GroundTruth

Eine Besonderheit: PIQE von Canon arbeitet als einziger Algorithmus nicht nur mit Rauschunterdrückung. „Die Detektorpixel sind kleiner. Das sorgt tatsächlich für eine höhere Auflösung“, erklärte Kachelrieß. PIQE verringert beispielsweise das Entstehen von Blooming-Artefakten. Diese Artefakte lassen Kalkablagerungen in kardialen Gefäßen ausgedehnter erscheinen, als sie in Wahrheit sind. Mit PIQE lassen sich Lumen-Gefäßdurchmesser und Stents hingegen gut beurteilen (Kawai 2024).

Gewohnte Rauschtextur

Der Algorithmus von GE-Healthcare achtet zusätzlich zur Rauschunterdrückung auch auf die Bildtextur. Die bevorzugte Rauschtextur wird nachträglich wieder hergestellt: Das Rauschen bekommt so eine geringere Intensität, aber der Rauscheindruck ändert sich nicht. Das sorgt für eine verbesserte subjektive Bildqualität – Radiolog:innen sehen das Bild so, wie sie es gewohnt sind.

Entwicklung von KI-Applikationen

Wie genau die Algorithmen trainiert werden, bleibt häufig ein Geheimnis der Hersteller. Bei den hier vorgestellten KI-Applikationen spielt „Noise Injection“, das künstliche Addieren von Bildrauschen, eine Rolle bei der Rauschreduktion. Auf gut aufgelöste Bilder wird ein Rauschen addiert; die KI lernt, das Rauschen zu erkennen und herauszufiltern. Trainiert wird dann mit Datenpaaren aus gut und schlecht aufgelösten Bildern.

Achtung: „Hallucinations“

Eine KI soll ein mit niedriger Röhrenspannung bzw. niedriger Strahlendosis aufgenommenes Bild zu einem Bild rekonstruieren, das mit einer vollen Dosis Kontrastmittel entstanden wäre. Das gelingt jedoch nicht zwangsläufig. Kachelrieß zeigte eindrucksvolle Beispiele: Wenn aus (am Phantom gemessenen) einer FBP-Bildrekonstruktion mit 200 mAs 95% Dosis herausgerechnet werden, wirkt das Bild so, als wäre es mit nur 10 mAs aufgenommen. Wenn nun eine KI-Applikation das Rauschen glättet, sollte das Ergebnis wie das ursprüngliche Bild aussehen, das mit 200 mAs aufgenommen wurde. Im schlechteren Fall zeigt das Bild aber neue, künstlich erzeugte Phänomene, die gar nicht vorhanden sind – so genannte „Hallucinations“.

Die vorgestellten Algorithmen

  • Philips Precise Image-Algorithmus, Precise IQ Engine (PIQE) von Canon
  • Advanced Intelligent Clear-IQ Engine (AiCE),
  • True Fidelity von GE-Healthcare
  • AIIR von United Imaging.

Fazit

Die KI-Applikationen im klinischen Einsatz können verrauschte Daten eindrucksvoll glätten. Dem Einsatz einer niedrigeren Strahlendosis bei CT-Scans steht damit eigentlich nichts im Wege.

Trotzdem: „Letztlich wird ein von einem Deep Learning System hochgerechnetes Bild nicht so aussehen, als hätten Sie es mit einer vollen Strahlendosis aufgenommen“, sagte Kachelrieß. Es ist eben nicht so, dass Algorithmen die Auflösung eines Systems erhöhen können. „Kein Algorithmus kann aus einem Pixel zwei Pixel machen“, sagte Kachelrieß.

Referenzen

Kawai H et al. Coronary computed tomography angiographic detection of in-stent restenosis via deep learning reconstruction: a feasibility study. Eur Radiol. 2024 Apr;34(4):2647-2657

Liao S et al. Fast and low-dose medical imaging generation empowered by hybrid deep-learning and iterative reconstruction. Cell Rep Med. 2023 Jul 18;4(7):101119

Wang Y et al. Iterative quality enhancement via residual-artifact learning networks for low-dose CT. Phys Med Biol. 2018 Oct 23;63(21):215004

Sie müssen sich einloggen, um Kommentare zu verfassen.

Ihr direkter Draht zu uns