![Beschleunigte MRT-Rekonstruktion zur Stroke-Diagnostik Beschleunigte MRT-Rekonstruktion zur Stroke-Diagnostik](/cache/upload/Standard/superClient/20240603/mrt_reko_KI_2024_teaserlwz1kezlw0h0both.jpeg)
Beschleunigte MRT-Rekonstruktion zur Stroke-Diagnostik
KI-gestützt viermal schnellere Rekonstruktion der kardialen MRT zur Detektion auch leichter Schlaganfälle.
KI-gestützt viermal schnellere Rekonstruktion der kardialen MRT zur Detektion auch leichter Schlaganfälle.
Die Integration von KI in den diagnostischen Workflow steckt vielerorts noch in den Kinderschuhen. Die strukturierte Befundung könnte ein gutes Vehikel für eine verbesserte Integration von KI sein.
Eine KI-basierte Bildrekonstruktion liefert schnell eine bessere Bildqualität als klassische Bildrekonstruktionsmethoden. Allerdings sind diverse Trainingsdaten für die Zuverlässigkeit der KI-basierten Rekonstruktion entscheidend.
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.
Ein kombinierter Ansatz aus Compressed SENSE und Deep-Learning-basierter Bildrekonstruktion verkürzt die Scanzeit erheblich. Dabei kam es zu keinem subjektiv wahrgenommenen Verlust an Bildqualität und zu keiner relevanten Zunahme von Artefakten.
Kombinierte Ansätze aus beschleunigter Bildgebung und Deep-Learning-Modellen erlauben in der MR-Bildgebung eine signifikante Verkürzung der Akquisitionszeiten bei mindestens gleichwertiger Bildqualität.
Der Einsatz von KI in der radiologischen Praxis bietet vielfältige Einsparpotenziale. Daher kann sich KI lohnen, auch wenn sie von den GKVen bislang nicht vergütet wird.
Bei einer Thrombektomie könnte ChatGPT helfen, Daten zu dokumentieren und in Register zu übertragen.
Ein KI-Algorithmus für die MRT erlaubt es, aus deutlich weniger Daten als bisher hochwertige Bilder zu erstellen. Das könnte die Untersuchungszeiten drastisch verkürzen.
Deep-Learning automatisiert die kardiale Bildgebung und macht sie schneller und präziser. Die klinische Umsetzung ist nur eine Frage der Zeit.