Einsatz künstlicher Intelligenz für die Bildrekonstruktion

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.

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.