Advertisement

Der Radiologe

, Volume 60, Issue 1, pp 15–23 | Cite as

Einsatz künstlicher Intelligenz für die Bildrekonstruktion

  • C. HoeschenEmail author
Leitthema
  • 137 Downloads

Zusammenfassung

Klinisches/methodisches Problem

Bei der Rekonstruktion dreidimensionaler Bilddaten treten häufig durch den Versuch, Dosis einzusparen oder durch fehlende Daten Artefakte auf, welche die Befundung stören. Verwendete iterative Rekonstruktionsverfahren sind aufwändig und haben Nachteile.

Radiologische Standardverfahren

Die Probleme treten bei der Computertomographie (CT), der ConeBeam-CT, der interventionellen Bildgebung, der Magnetresonanztomographie (MRT) und auch in der nuklearmedizinischen Bildgebung (PET und SPECT) auf.

Methodische Innovationen

Mittels Verfahren, die auf dem Einsatz künstlicher Intelligenz (KI) in der Datenauswertung und in der Datenergänzung beruhen, können etliche Probleme in einem gewissen Rahmen gelöst werden.

Leistungsfähigkeit

Die Leistungsfähigkeit der Verfahren ist sehr unterschiedlich. Da die erzeugten Bilddaten mit den hier vorgestellten KI-basierten Verfahren meist sehr gut aussehen, ihre Ergebnisse aber real sehr vom Studiendesign abhängen, sind belastbare vergleichbare quantitative Aussagen zur Leistungsfähigkeit noch nicht in der Breite vorhanden.

Bewertung

Im Prinzip bieten die Verfahren der Bildrekonstruktion auf der Basis von KI-Algorithmen viele Möglichkeiten der Verbesserung und Optimierung von dreidimensionalen Bilddatensätzen. Die Vertrauenswürdigkeit hängt aber stark von dem Design der jeweiligen Studie im Aufbau des Einzelverfahrens ab. Vor dem Einsatz in der klinischen Praxis ist also unbedingt eine geeignete Prüfung erforderlich.

Empfehlung für die Praxis

Bevor der weite Einsatz der KI-basierten Rekonstruktionsverfahren empfohlen werden kann, ist es erforderlich, sinnvolle Testverfahren zu etablieren, welche die tatsächliche Leistungsfähigkeit und Einsetzbarkeit auch im Sinne des Informationsgehaltes und eines sinnvollen Studiendesigns während der Lernphase der Algorithmen charakterisieren können.

Schlüsselwörter

Computertomographie Maschinelles Lernen Deep Learning Dosiseinsparungen Limitierungen 

Use of artificial intelligence for image reconstruction

Abstract

Clinical/methodological problem

In the reconstruction of three-dimensional image data, artifacts that interfere with the appraisal often occur as a result of trying to minimize the dose or due to missing data. Used iterative reconstruction methods are time-consuming and have disadvantages.

Standard radiological methods

These problems are known to occur in computed tomography (CT), cone beam CT, interventional imaging, magnetic resonance imaging (MRI) and nuclear medicine imaging (PET and SPECT).

Methodological innovations

Using techniques based on the use of artificial intelligence (AI) in data analysis and data supplementation, a number of problems can be solved up to a certain extent.

Performance

The performance of the methods varies greatly. Since the generated image data usually look very good using the AI-based methods presented here while their results depend strongly on the study design, reliable comparable quantitative statements on the performance are not yet available in broad terms.

Evaluation

In principle, the methods of image reconstruction based on AI algorithms offer many possibilities for improving and optimizing three-dimensional image datasets. However, the validity strongly depends on the design of the respective study in the structure of the individual procedure. It is therefore essential to have a suitable test prior to use in clinical practice.

Practical recommendations

Before the widespread use of AI-based reconstruction methods can be recommended, it is necessary to establish meaningful test procedures that can characterize the actual performance and applicability in terms of information content and a meaningful study design during the learning phase of the algorithms.

Keywords

Computed tomography Machine Learning Deep Learning Dose reduction Limitations 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

C. Hoeschen gibt an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Literatur

  1. 1.
    Lambin P, Leijenaar RTH, Deist TM, Peerlings J, de Jong EEC, van Timmeren J et al (2017) Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol 14:749–762.  https://doi.org/10.1038/nrclinonc.2017.141 CrossRefPubMedGoogle Scholar
  2. 2.
    Bi WL, Hosny A, Schabath MB, Giger ML, Birkbak NJ, Mehrtash A et al (2019) Artificial intelligence in cancer imaging: clinical challenges and applications. CA A Cancer J Clin.  https://doi.org/10.3322/caac.21552 CrossRefGoogle Scholar
  3. 3.
    Vallières M, Kay-Rivest E, Perrin LJ, Liem X, Furstoss C (2017) Aerts, H.J.W.L. et al.: Radiomics strategies for risk assessment of tumour failure in head-and-neck cancer. Sci. Rep, Bd. 7, S 10117  https://doi.org/10.1038/s41598-017-10371-5 CrossRefGoogle Scholar
  4. 4.
    Wolterink JM, Leiner T, Viergever MA, Isgum I (2017) Generative Adversarial Networks for Noise Reduction in Low-Dose CT. IEEE Trans Med Imaging.  https://doi.org/10.1109/TMI.2017.2708987 CrossRefPubMedGoogle Scholar
  5. 5.
    Chen H, Zhang Y, Kalra MK et al (2017) Low-Dose CT With a Residual Encoder-Decoder Convolutional Neural Network. IEEE Trans Med Imaging.  https://doi.org/10.1109/TMI.2017.2715284 CrossRefPubMedPubMedCentralGoogle Scholar
  6. 6.
    Wu D, Kim K, El Fakhri G, Li Q (2017) Iterative Low-Dose CT Reconstruction With Priors Trained by Artificial Neural Network. IEEE Trans Med Imaging.  https://doi.org/10.1109/TMI.2017.2753138 CrossRefPubMedPubMedCentralGoogle Scholar
  7. 7.
    Kang E, Min J, Ye JC (2017) A deep convolutional neural network using directional wavelets for low-dose X‑ray CT reconstruction. Med Phys 44:e360–e375CrossRefGoogle Scholar
  8. 8.
    Willemink MJ, Noël PB (2019) The evolution of image reconstruction for CT-from filtered back projection to artificial intelligence. Eur Radiol 29(5):2185–2195 (May)CrossRefGoogle Scholar
  9. 9.
    Fedrigo M, Wenger A, Hoeschen C (2012) Investigating tomographic reconstruction with a priori geometrical information. J Xray Sci Technol.  https://doi.org/10.3233/XST-2012-0314 CrossRefGoogle Scholar
  10. 10.
    Chen Y, Liu J, Xie L et al (2017) Discriminative Prior—Prior Image Constrained Compressed Sensing Reconstruction for Low-Dose CT Imaging. Sci Rep.  https://doi.org/10.1038/s41598-017-13520-y CrossRefPubMedPubMedCentralGoogle Scholar
  11. 11.
  12. 12.
    Reitmaier T (2015) Aktives Lernen für Klassifikationsprobleme unter der Nutzung von Strukturinformationen. kassel university press, Google books, S 1Google Scholar
  13. 13.
    Pierson L (2016) Data Science für Dummies, 1. Aufl. Wiley-VCH, f. (Google books), S 105Google Scholar
  14. 14.
  15. 15.
    Bruderer H (2018) Erfindung des Computers, Elektronenrechner, Entwicklungen in Deutschland, England und der Schweiz. In: Meilensteine der Rechentechnik. 2., völlig neu bearbeitete und stark erweiterte Auflage. Band 2. De Gruyter, Wörterverzeichnis zur Technikgeschichte, S. 408Google Scholar
  16. 16.
    Kleesiek J (2020) Wie es funktioniert. Radiologe. (im Druck)Google Scholar
  17. 17.
    Ronneberger O, Fischer P, Brox T (2015) U‑Net: Convolutional Networks for Biomedical Image Segmentation. arXiv:1505.04597Google Scholar
  18. 18.
    Long J, Shelhamer E, Darrell T (2014) Fully convolutional networks for semantic segmentation. arXiv:1411.4038Google Scholar
  19. 19.
    Chen H, Zhang Y, Zhang W et al (2017) Low-dose CT via convolutional neural network. Biomed Opt Express.  https://doi.org/10.1364/BOE.8.000679 CrossRefPubMedPubMedCentralGoogle Scholar
  20. 20.
    Hammernik K, Würfl T, Pock T, Maier A (2017) A Deep Learning Architecture for Limited-Angle Computed Tomography Reconstruction. In: Maier-Hein geb. Fritzsche K, Deserno geb. Lehmann T, Handels H, Tolxdorff T (Hrsg) Bildverarbeitung für die Medizin (2017). Informatik aktuell. Springer Vieweg, Berlin, HeidelbergGoogle Scholar
  21. 21.
    Huang X, Wang J, Tang F et al (2018) Metal artifact reduction on cervical CT images by deep residual learning. BioMed Eng OnLine 17:175CrossRefGoogle Scholar
  22. 22.
    Shen L, Zhao W, Xing L (2019) Harnessing the power of deep learning for volumetric CT imaging with single or limited number of projections. Proc. SPIE 10948, Medical Imaging. Phys Med Imaging.  https://doi.org/10.1117/12.2513032 CrossRefGoogle Scholar
  23. 23.
    Umehara K, Ota J, Ishida T (2018) Application of Super-Resolution Convolutional Neural Network for Enhancing Image Resolution in Chest CT. J Digit Imaging 31:441–450CrossRefGoogle Scholar
  24. 24.
    Chaibi H, Nourine R (2018) New Pseudo-CT Generation Approach from Magnetic Resonance Imaging using a Local Texture Descriptor. J Biomed Phys Eng 8(1):53–64PubMedPubMedCentralGoogle Scholar
  25. 25.
    Maier J, Sawall S, Knaup M, Kachelrieß M (2018) Deep Scatter Estimation (DSE): Accurate Real-Time Scatter Estimation for X‑Ray CT Using a Deep Convolutional Neural Network. Nondestruct Eval 37:57.  https://doi.org/10.1007/s10921-018-0507-z CrossRefGoogle Scholar
  26. 26.
    Jiang Y, Yang C, Yang P, Hu X, Luo C, Xue Y, Xu L, Hu X, Zhang L, Wang J, Sheng K, Niu T (2019) Scatter correction of cone-beam CT using a deep residual convolution neural network (DRCNN). Phys Med Biol 14(145003):64.  https://doi.org/10.1088/1361-6560/ab23a6 CrossRefGoogle Scholar
  27. 27.
    Poludniowski G, Evans PM, Hansen VN, Webb S (2009) An efficient Monte Carlo-based algorithm for scatter correction in keV cone-beam CT. Phys Med Biol 54:3847–3864CrossRefGoogle Scholar
  28. 28.
    Passand Z, Hoeschen C (2020) Image quality assessment of thorax CT images using modulation transfer function and noise power spectrum. Angenommen zur Publikation in SPIE Proc. Ieee Trans Med ImagingGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Institut für Medizintechnik, Fakultät für Elektro- und InformationstechnikOtto-von-Guericke-Universität MagdeburgMagdeburgDeutschland

Personalised recommendations