Erschienen in:
02.01.2020 | Computertomografie | Leitthema
Einsatz künstlicher Intelligenz für die Bildrekonstruktion
verfasst von:
Prof. Dr. C. Hoeschen
Erschienen in:
Die Radiologie
|
Ausgabe 1/2020
Einloggen, um Zugang zu erhalten
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.