RSNA 2023 – Kardiale MRT mit Künstlicher Intelligenz immer besser

×

RSNA 2023 – Kardiale MRT mit Künstlicher Intelligenz immer besser

Deep-Learning automatisiert die kardiale Bildgebung und macht sie schneller und präziser. Die klinische Umsetzung ist nur eine Frage der Zeit.

• Präsentationstag:

  01.12.2023 0 Kommentare
• Autor:

  biho/ktg
• Sprecher:

  Albert Hsiao, University of California, San Diego, USA
• Quelle:

  RSNA 2023

Schnellere Bildgebung

Die kardiale MRT liefert als einzige Bildgebungsmodalität anatomische und funktionelle Informationen zum Herzen. Trotz neuer Entwicklungen in den letzten zehn Jahren eilt ihr nach wie vor der Ruf voraus, langwierig und komplex zu sein.

„Die kardiale MR lässt sich erheblich verkürzen“, so Albert Hsiao, University of California, San Diego, USA. Mit 3D-Cine-Volumetrie, 4D-Flow und automatisierter, KI-gestützter Bildrekonstruktion und Segmentierung ist eine kardiale MRT innerhalb von 30 Minuten durchführbar. Hsiao stellte Entwicklungen klinisch brauchbarer KI-Algorithmen vor, die die kardiale MRT künftig noch schneller und präziser machen könnten.

Automatisierung mit Künstlicher Intelligenz (KI)

Die Machbarkeit eines Deep-Learning-Ansatzes für die präzise Platzierung mehrfach gewinkelter schräger Schnitte auf einer Bildebene haben Blansit et al. (2019) gezeigt. Die KI lokalisierte kardiale Orientierungspunkte in der MRT an der langen Herzachse, z. B. Apex und Mitralklappe, mit nahezu gleicher Präzision wie ein:e Radiologe/Radiologin oder ein:e MTR.

Effizienter mit 4D-Flow

Beschleunigte Akquisitionstechniken ermöglichen mittlerweile eine schnellere Durchführung der 4D-Flow-MRT (Jacobs et al. 2021). Die 4D-Flow-MRT ermöglicht die zeitaufgelöste volumetrische Erfassung. Im Vergleich zur 2D-Phasenkontrast-MRT erleichtert sie die Quantifizierung des Blutflusses bei der Bewertung kardiovaskulärer Erkrankungen.

Hsiao et al. haben bereits 2012 gezeigt, dass die 4D-Flow-MRT eine zuverlässige Detektion und Charakterisierung intrakardialer Shunts und Regurgitationen ermöglicht. Bei angeborenen Herzerkrankungen weist sie eine mit der Echokardiographie vergleichbare Sensitivität auf. Jacobs et al. (2021) fügten in ihrer Studie hinzu, dass die 4D-Flow-MRT sogar zu einem Routineinstrument für das Management angeborener und erworbener struktureller Herzerkrankungen werden könnte.

Die 4D-Flow-MRT unterstützt auch die nicht-invasive Beurteilung von Shunt-Läsionen, wodurch in einigen Fällen invasive Katheteruntersuchungen verzichtbar werden. Ein Vergleich beider Modalitäten zeigte eine konsistente Datenübereinstimmung zwischen 4D-Flow und Oxymetrie (Horowitz et al. 2021).

4D-Flow MRT mit KI

Um den Blutfluss korrekt zu quantifizieren, ist eine manuelle Hintergrundkorrektur per Flussanpassungsalgorithmus erforderlich. Eine Studie testete die Fähigkeit eines KI-Systems zur Vorhersage der optimalen myokardialen Inversionszeit zur Unterdrückung des myokardialen Hintergrundsignals. Das neuronale Netzwerk zeigte eine robuste Leistung (Bahrami et al. 2019). In einer weiteren Studie von You et al. (2022) mit 40 Patient:innen korrelierte die automatische Korrektur sehr gut mit manuell korrigierten Messungen.

Schärfere Bilder mit KI

Masutani et al. (2020) produzierten hochauflösende kardiale MRT-Scans sowohl bei 1,5 T als auch bei 3,0 T mit KI und verschiedenen Upsampling-Faktoren. Der Ansatz funktionierte nicht nur mit Bildern, die auf eine niedrige Auflösung getrimmt worden waren, sondern auch prospektiv mit Herz-MRT-Patienten. Das Upsampling wirkte sich nicht negativ auf die ventrikuläre Volumetrie aus, sondern erzielte vergleichbare Werte bei verbesserter räumlicher Detailgenauigkeit.

Messung der Ejektionsfraktion mit KI

Eine KI könnte auch die Volumetrie des rechten und linken Ventrikels anhand von Herz-MRT-Daten in der klinischen Praxis durchführen. Manuelle wie automatisierte volumetrische Messungen korrelierten sehr gut (Retson et al. 2020).

Die Zukunft: Übermenschliche KI

„Die automatisierte Messung der Gesamtfunktion des Herzmuskels ist eine Sache“, meinte Hsiao. „Der Clou wäre aber, auch die regionale Belastung automatisch messen zu können.“ Allererste Ansätze wurden bereits getestet (Wu et al. 2014). Masutani et al. (2023) haben kürzlich gezeigt, dass ein neu entwickelter Deep-Learning-Algorithmus, der mit 4D-Flow-MRT-Daten trainiert wurde, regionale Myokarddehnungen abschätzen kann. „Wenn es so weitergeht, wird die KI besser als der Mensch“, schloss Hsiao.