nach oben

Die Radiologie

Erschienen in:

12.02.2020 | Künstliche Intelligenz | Leitthema

Künstliche Intelligenz in der Hybridbildgebung

verfasst von: Christian Strack, Dr. Robert Seifert, Dr. Dr. Jens Kleesiek

Erschienen in: Die Radiologie | Ausgabe 5/2020

Einloggen, um Zugang zu erhalten

Zusammenfassung

Klinisches Problem

Hybridbildgebung ermöglicht es durch die Kombination anatomischer und molekularer Informationen, zellulären Metabolismus ortsgenau darzustellen. Die Fortschritte in der künstlichen Intelligenz (KI) bieten neue Methoden zur Verarbeitung und Auswertung dieser Daten.

Methodische Innovationen

Diese Übersichtsarbeit fasst aktuelle Entwicklungen und Anwendungen von KI-Methoden in der Hybridbildgebung zusammen. Es werden sowohl Anwendungen in der Bildverarbeitung als auch Methoden zur krankheitsbezogenen Auswertung vorgestellt und diskutiert.

Material und Methoden

Die Arbeit beruht auf einer selektiven Literaturrecherche in den Suchmaschinen PubMed und arXiv.

Bewertung

Aktuell gibt es nur wenige KI-Anwendungen, die hybride Bilddaten verwenden, und noch keine Anwendungen, die im klinischen Alltag etabliert sind. Obwohl sich erste vielversprechende Ansätze zeigen, müssen diese noch prospektiv evaluiert werden. In Zukunft werden KI-Anwendungen Radiologen und Nuklearmediziner bei Diagnostik und Therapie unterstützen.

Bradshaw TJ, Zhao G, Jang H et al (2018) Feasibility of deep learning–based PET/MR attenuation correction in the pelvis using only diagnostic MR images. Tomography 4:138–147. https://doi.org/10.18383/j.tom.2018.00016 CrossRefPubMedPubMedCentral

Catana C (2018) The dawn of a new era in low-dose PET imaging. Radiology 290:657–658. https://doi.org/10.1148/radiol.2018182573 CrossRefPubMed

Chen KT, Gong E, de Carvalho Macruz FB et al (2018) Ultra–low-dose 18F-florbetaben amyloid PET imaging using deep learning with multi-contrast MRI inputs. Radiology 290:649–656. https://doi.org/10.1148/radiol.2018180940 CrossRefPubMedPubMedCentral

Cui J, Gong K, Guo N et al (2019) PET image denoising using unsupervised deep learning. Eur J Nucl Med Mol Imaging 46:2780–2789. https://doi.org/10.1007/s00259-019-04468-4 CrossRefPubMed

Dong X, Wang T, Lei Y et al (2019) Synthetic CT generation from non-attenuation corrected PET images for whole-body PET imaging. Phys Med Biol 64:215016. https://doi.org/10.1088/1361-6560/ab4eb7 CrossRefPubMed

Fendler WP, Calais J, Eiber M et al (2019) Assessment of 68ga-PSMA-11 PET accuracy in localizing recurrent prostate cancer: a prospective single-arm clinical trial. JAMA Oncol 5:856–863. https://doi.org/10.1001/jamaoncol.2019.0096 CrossRefPubMedPubMedCentral

Fendler WP, Weber M, Iravani A et al (2019) Prostate-specific membrane antigen ligand positron-emission tomography in men with nonmetastatic castration-resistant prostate cancer. Clin Cancer Res. https://doi.org/10.1158/1078-0432.CCR-19-1050 CrossRefPubMed

Gafita A, Bieth M, Krönke M et al (2019) qPSMA: semiautomatic software for whole-body tumor burden assessment in prostate cancer using 68ga-PSMA11 PET/CT. J Nucl Med 60:1277–1283. https://doi.org/10.2967/jnumed.118.224055 CrossRefPubMedPubMedCentral

Gao X, Chu C, Li Y et al (2015) The method and efficacy of support vector machine classifiers based on texture features and multi-resolution histogram from 18F-FDG PET-CT images for the evaluation of mediastinal lymph nodes in patients with lung cancer. Eur J Radiol 84:312–317. https://doi.org/10.1016/j.ejrad.2014.11.006 CrossRefPubMed

10.

Gsaxner C, Roth PM, Wallner J, Egger J (2019) Exploit fully automatic low-level segmented PET data for training high-level deep learning algorithms for the corresponding CT data. PLoS ONE 14:e212550. https://doi.org/10.1371/journal.pone.0212550 CrossRefPubMedPubMedCentral

11.

Guo Z, Li X, Huang H et al (2018) Medical image segmentation based on multi-modal convolutional neural network: study on image fusion schemes. 2018 IEEE 15th Int Symp Biomed Imaging ISBI 2018:903–907. https://doi.org/10.1109/ISBI.2018.8363717 CrossRef

12.

Haubold J, Demircioglu A, Gratz M et al (2019) Non-invasive tumor decoding and phenotyping of cerebral gliomas utilizing multiparametric 18F-FET PET-MRI and MR fingerprinting. Eur J Nucl Med Mol Imaging. https://doi.org/10.1007/s00259-019-04602-2 CrossRefPubMed

13.

Huang B, Chen Z, Wu P‑M et al (2018) Fully automated delineation of gross tumor volume for head and neck cancer on PET-CT using deep learning: a dual-center study. Contrast Media Mol Imaging 2018:1–12. https://doi.org/10.1155/2018/8923028 CrossRef

14.

Huang Y, Xu J, Zhou Y et al (2019) Diagnosis of Alzheimer’s disease via multi-modality 3D convolutional neural network. Front Neurosci. https://doi.org/10.3389/fnins.2019.00509 CrossRefPubMedPubMedCentral

15.

Kirienko M, Sollini M, Silvestri G et al (2018) Convolutional neural networks promising in lung cancer T‑parameter assessment on baseline FDG-PET/CT. Contrast Media Mol Imaging 2018:1–6. https://doi.org/10.1155/2018/1382309 CrossRef

16.

Kläser K, Varsavsky T, Markiewicz P et al (2019) Improved MR to CT synthesis for PET/MR attenuation correction using imitation learning. In: Burgos N, Gooya A, Svoboda D (Hrsg) Simul. synth. med. imaging. Springer, Cham, S 13–21

17.

Kleesiek J, Murray JM, Strack C et al (2019) Wie funktioniert maschinelles Lernen? Radiologe. https://doi.org/10.1007/s00117-019-00616-x CrossRef

18.

Kleesiek J, Petersen J, Döring M et al (2016) Virtual raters for reproducible and objective assessments in radiology. Sci Rep. https://doi.org/10.1038/srep25007 CrossRefPubMedPubMedCentral

19.

Klyuzhin IS, Cheng J‑C, Bevington C, Sossi V (2019) Use of a tracer-specific deep artificial neural net to denoise dynamic PET images. IEEE Trans Med Imaging. https://doi.org/10.1109/TMI.2019.2927199 CrossRefPubMed

20.

Ladefoged CN, Marner L, Hindsholm A et al (2019) Deep learning based attenuation correction of PET/MRI in pediatric brain tumor patients: evaluation in a clinical setting. Front Neurosci. https://doi.org/10.3389/fnins.2018.01005 CrossRefPubMedPubMedCentral

21.

Li Y, Schiepers C, Lake R et al (2012) Clinical utility of (18)F-fluoride PET/CT in benign and malignant bone diseases. Bone 50:128–139. https://doi.org/10.1016/j.bone.2011.09.053 CrossRefPubMed

22.

Liu C‑C, Qi J (2019) Higher SNR PET image prediction using a deep learning model and MRI image. Phys Med Biol 64:115004. https://doi.org/10.1088/1361-6560/ab0dc0 CrossRefPubMed

23.

Liu F, Jang H, Kijowski R et al (2018) Deep learning MR imaging–based attenuation correction for PET/MR imaging. Radiology 286:676–684. https://doi.org/10.1148/radiol.2017170700 CrossRefPubMed

24.

Liu F, Jang H, Kijowski R et al (2018) A deep learning approach for 18F-FDG PET attenuation correction. EJNMMI Phys 5:24. https://doi.org/10.1186/s40658-018-0225-8 CrossRefPubMedPubMedCentral

25.

Lu D, Popuri K, Ding GW et al (2018) Multimodal and multiscale deep neural networks for the early diagnosis of alzheimer’s disease using structural MR and FDG-PET images. Sci Rep 8:5697. https://doi.org/10.1038/s41598-018-22871-z CrossRefPubMedPubMedCentral

26.

Murray JM, Kaissis G, Braren R, Kleesiek J (2019) Wie funktioniert Radiomics? Radiologe. https://doi.org/10.1007/s00117-019-00617-w CrossRef

27.

Papp L, Spielvogel CP, Rausch I et al (2018) Personalizing medicine through hybrid imaging and medical big data analysis. Front Phys 6:51. https://doi.org/10.3389/fphy.2018.00051 CrossRef

28.

Perk T, Bradshaw T, Chen S et al (2018) Automated classification of benign and malignant lesions in 18F-NaF PET/CT images using machine learning. Phys Med Biol 63:225019. https://doi.org/10.1088/1361-6560/aaebd0 CrossRefPubMed

29.

Petersen RC, Roberts RO, Knopman DS et al (2009) Mild cognitive impairment: ten years later. Arch Neurol 66:1447–1455. https://doi.org/10.1001/archneurol.2009.266 CrossRefPubMedPubMedCentral

30.

Shiri I, Ghafarian P, Geramifar P et al (2019) Direct attenuation correction of brain PET images using only emission data via a deep convolutional encoder-decoder (deep-DAC). Eur Radiol 29:6867–6879. https://doi.org/10.1007/s00330-019-06229-1 CrossRefPubMed

31.

Tan Y‑L, Kim H, Lee S et al (2018) Quantitative surface analysis of combined MRI and PET enhances detection of focal cortical dysplasias. Neuroimage 166:10–18. https://doi.org/10.1016/j.neuroimage.2017.10.065 CrossRefPubMed

32.

Tian C, Xu Y, Fei L, Yan K (2018) Deep learning for image denoising: a survey

33.

Wang H, Zhou Z, Li Y et al (2017) Comparison of machine learning methods for classifying mediastinal lymph node metastasis of non-small cell lung cancer from 18F-FDG PET/CT images. EJNMMI Res 7:11. https://doi.org/10.1186/s13550-017-0260-9 CrossRefPubMedPubMedCentral

34.

Wang Y, Zhou L, Wang L et al (2018) Locality adaptive multi-modality GANs for high-quality PET image synthesis. In: Frangi AF, Schnabel JA, Davatzikos C et al (Hrsg) Med. image comput. comput. assist. interv. – MICCAI 2018. Springer, Cham, S 329–337

35.

Xiang L, Qiao Y, Nie D et al (2017) Deep auto-context convolutional neural networks for standard-dose PET image estimation from low-dose PET/MRI. Neurocomputing 267:406–416. https://doi.org/10.1016/j.neucom.2017.06.048 CrossRefPubMedPubMedCentral

36.

Xu J, Gong E, Pauly J, Zaharchuk G (2017) 200x low-dose PET reconstruction using deep learning

37.

Xu L, Tetteh G, Lipkova J et al (2018) Automated whole-body bone lesion detection for multiple myeloma on 68ga-pentixafor PET/CT imaging using deep learning methods. Contrast Media Mol Imaging 2018:2391925. https://doi.org/10.1155/2018/2391925 CrossRefPubMedPubMedCentral

38.

Zhao X, Li L, Lu W, Tan S (2018) Tumor co-segmentation in PET/CT using multi-modality fully convolutional neural network. Phys Med Biol 64:15011. https://doi.org/10.1088/1361-6560/aaf44b CrossRefPubMed

39.

Zhong Z, Kim Y, Plichta K et al (2019) Simultaneous cosegmentation of tumors in PET-CT images using deep fully convolutional networks. Med Phys 46:619–633. https://doi.org/10.1002/mp.13331 CrossRefPubMedPubMedCentral

40.

ADNI Alzheimer’s Disease Neuroimaging Initiative (2017) Webpräsenz. http://adni.loni.usc.edu/. Zugegriffen: 22. Dez. 2019

Titel: Künstliche Intelligenz in der Hybridbildgebung
verfasst von: Christian Strack
Dr. Robert Seifert
Dr. Dr. Jens Kleesiek
Publikationsdatum: 12.02.2020
Verlag: Springer Medizin
Schlagwort: Künstliche Intelligenz
Erschienen in: Die Radiologie / Ausgabe 5/2020
Print ISSN: 2731-7048
Elektronische ISSN: 2731-7056
DOI: https://doi.org/10.1007/s00117-020-00646-w

Update Radiologie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

Newsletter bestellen

Springer Medizin

Künstliche Intelligenz in der Hybridbildgebung

Zusammenfassung

Klinisches Problem

Methodische Innovationen

Material und Methoden

Bewertung

Neu im Fachgebiet Radiologie

Akuter Schwindel: Wann lohnt sich eine MRT?

Screening-Mammografie offenbart erhöhtes Herz-Kreislauf-Risiko

S3-Leitlinie zu Pankreaskrebs aktualisiert

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

Update Radiologie

Springer Medizin

Zusammenfassung

Klinisches Problem

Methodische Innovationen

Material und Methoden

Bewertung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 5/2020

Theranostics und Hybridbildgebung für somatostatinrezeptor-exprimierende Tumore

Hybridbildgebung

Mitteilungen des Berufsverbandes der Deutschen Radiologen

Was erwartet der Nichtradiologe vom Radiologen?

Hybridbildgebung beim Prostatakarzinom

Consent Management und Workflows für intersektorale Patientenakten und Telekonsile

Neu im Fachgebiet Radiologie

Akuter Schwindel: Wann lohnt sich eine MRT?

Screening-Mammografie offenbart erhöhtes Herz-Kreislauf-Risiko

S3-Leitlinie zu Pankreaskrebs aktualisiert

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

Update Radiologie