ECR 2023 – Koronare CTA mit einem DL-Algorithmus zur Rekonstruktion

ECR 2023 – Koronare CTA mit einem DL-Algorithmus zur Rekonstruktion

Bei nicht adipösen Patient:innen unterstützt ein Deep-Learning-Algorithmus für die iterative Rekonstruktion die Verwendung eines Protokolls für die koronare CTA mit geringerer Strahlendosis und reduzierter Kontrastmitteldosis im Vergleich zu einem herkömmlichen CCTA-Protokoll.

  • Präsentationstag:
    01.03.2023 0 Kommentare
  • Autor:
    mh/ktg
  • Sprecher:
    Giuseppe Tremamunno, Rom
  • Quelle:
    ECR 2023

Deep-Learning-Algorithmen für die CCTA-Bildrekonstruktion erlauben kürzere Rekonstruktionszeiten und geringeres Bildrauschen, ohne die Bildtextur zu beeinträchtigen.

Die iterative Rekonstruktion (IR) ist Standard für die Bildrekonstruktion in der koronaren CT-Angiographie (CCTA). Die IR-Techniken können jedoch die Textur der Bilder verändern. Das kann zu übermäßig glatten Bildern und einem plastik-ähnlichen Aussehen führen, so Giuseppe Tremamunno, Rom. Die veränderte Bildtextur kann dabei sogar dazu führen, dass aus den Bildern nicht alle eigentlich enthaltenen Informationen herauszuholen sind.

DL-Algorithmen zur Bildrekonstruktion (DLIR) basieren auf Convolutional Neural Networks (CNN). Ihre Vorteile gegenüber den herkömmlichen IR-Techniken:
  • Kürzere Rekonstruktionszeit
  • Geringeres Bildrauschen
  • Keine Beeinträchtigung der Bildtextur

Vergleich von CCTA-Protokollen: Konventionell versus Niedrigdosis

In einer prospektiven Studie untersuchten Giuseppe Tremamunno und Kolleg:innen die Performance eines hochwertigen DLIR (DLIR-H) zur Aufrechterhaltung oder Verbesserung der Bildqualität unter zwei Bedingungen:
  • Reduzierte Strahlendosis
  • Reduzierte Kontrastmitteldosis
Die Eigenschaften des DLIR-H werden in einem vom Hersteller veröffentlichten technischen Whitepaper beschrieben (Hsieh et al. 2019). Die Wissenschaftler verglichen die Performance zweier Rekonstruktionstechniken:
  • DLIR-H unter Verwendung eines doppelten Niedrigdosis-Protokolls mit reduzierter kV und geringerer Jodabgaberate (IDR)
  • Hybrid-IR-Algorithmus (ASIR-V) mit einem konventionelles Protokoll mit 100 kVp
Nach Ausschluss von CCTA-Untersuchungen mit starken Bewegungsartefakten, Herzfrequenzen über 90 Schlägen pro Minute und Patient:innen mit einem Body-Mass-Index von mehr als 30 kg/m² wurden die Bilder von 144 nicht adipösen Patient:innen mit klinischer Indikation analysiert.
 

 

Gruppe A
(konventionelles Protokoll)

Gruppe B
(Double Low-Dose Protokoll)

Gruppe C
(Double Low-Dose Protokoll)

Röhrenspannung

100 kV

80 kV

80 kV

Iodine Delivery Rate (IDR)

1,8

1,4

1,2

Rekonstruktions-Algorithmus

ASIR-V 50%

DLIR-H

DLIR-H

Patient:innen-Population

n=46

n=53

n=45

Die CCTA erfolgte mit einem nicht-ionischen Kontrastmittel mit hoher Iodkonzentration.

Regions of Interest wurden in den Koronararterien, dem linken M. pectoralis und der Aorta ascendens eingezeichnet. Errechnet wurden das Signal-Rausch-Verhältnis (SNR) und das Kontrast-Rausch-Verhältnis (CNR). Die diagnostische Genauigkeit war nicht Gegenstand der Studie.

Ergebnisse: Strahlendosis und KM-Dosis

 

 

Group A

Group B

Group C

Strahlendosis

3,6±1,0 mSv

2,16±0,8 mSv

1,99±0,6 mSv

KM-Dosierung

57,7±6,7 ml

51,5±6,3 ml

42,97±3,8 ml

In einem paarweisen Vergleich wiesen die Gruppen B und C, die DLIR-H verwendeten, eine signifikant niedrigere Strahlendosis auf als die Gruppe A, die mit ASIR-V arbeitete.

Ergebnisse: Bildqualität

  • Gruppe B zeigte im Vergleich zu Gruppe A (p<0,001) und Gruppe C (p<0,05) eine signifikant höhere subjektive Bildqualität.
  • Gruppe A zeigte das höchste Rauschen (p<0,001) und das niedrigste SNR und CNR (p<0,001).  
  • Gruppe B zeigte ein höheres SNR und CNR (p<0,001) als Gruppe C.

Fazit: DL-Algorithmus mit besserer Bildqualität bei geringerer Dosis

Bei nicht adipösen Patient:innen ermöglichte das CCTA-Protokoll mit einem Deep-Learning-IR-Algorithmus eine deutlich geringere Ioddosierung und Strahlendosis bei gleichzeitig besserer Bildqualität als das herkömmliche CCTA-Protokoll.

Referenzen

Hsieh J et al. (2019). A new era of image reconstruction: TrueFidelity – Technical white paper on deep learning image reconstruction. GE Healthcare website.

Sie müssen sich einloggen, um Kommentare zu verfassen.

Ihr direkter Draht zu uns