Der Einsatz von Künstlicher Intelligenz (KI) im Umfeld der Magnetresonanztomographie (MRT) entwickelt sich seit einigen Jahren kontinuierlich und schnell weiter. Dabei erweitern sich nicht nur die Anwendungsfelder, sondern auch die Algorithmen verbessern sich stetig.
Die ersten KI-Entwicklungen waren darauf ausgerichtet, den Patientenpfad möglichst effektiv und positiv zu gestalten. Neuerdings werden KI-Tools eingesetzt, um den klassischen technischen Service zu unterstützen und dadurch die Systemverfügbarkeit möglichst hochzuhalten. Durch eine KI-gestützte Auswertung der Auslastung können darüber hinaus Kosten gesenkt und Wartezeiten für Patienten verkürzt werden.
PIQE; Deep-Learning-Algorithmus zur Reduktion des Rauschens in Kombination mit Upsampling und Reduktion des Gibbs-Ringing. Beispiel einer schnellen 1.5T Hirnuntersuchung und einer sehr hochaufgelösten 3T Knie Untersuchung. Altivity ist die Marke für KI-Anwendungen von Canon Medical
KI kommt jedoch auch vor und nach einer MR-Untersuchung zum Einsatz. Von der Terminierung und der korrekten Auswahl der Untersuchung über die Auswertung des Patientenfragebogens bis hin zur Befundung und Therapieempfehlung ist sie ein wertvolles Tool.
Eine wichtige Rolle spielt KI, um bei der Positionierung den Patienten schnell und korrekt zu lagern. Ebenso unterstützt KI bei der Planung der richtigen Untersuchungsregionen und der Schnittführung.
KI für bessere Bildqualität
Um den Untersuchungsablauf insbesondere für wenig erfahrenes Personal einfacher zu machen und Fehler zu vermeiden, bietet eine KI-Unterstützung bei der korrekten Patientenpositionierung ein erhebliches Potential für die Bildqualität. Bei MRT-Untersuchungen, gerade auch mit Fettsättigung, ist die gute isozentrische Lagerung der Untersuchungsregion ein wichtiger Aspekt für die Bildqualität. Hierbei ist eine KI-gestützte intelligente Deckenkamera, welche mit der Gantry interagiert, hilfreich.
Eine stets konstante Planungsqualität bei der Schichtführung wird durch Machine-Learning-Algorithmen sichergestellt. Diese Methoden stehen für immer mehr Anatomien zur Verfügung und unterstützen dabei gerade auch unerfahrene Bediener des MRT. Insbesondere bei der immer noch sehr anspruchsvollen Planung von Herzuntersuchungen kann die Planungszeit massiv verkürzt werden.
Die größte Umwälzung in Bezug auf Bildqualität und Untersuchungsdauer haben aber die Deep-Learning-Algorithmen wie AiCE (Advanced intelligent Clear-IQ Engine) erzielt. Hiermit können die typischen Grenzen des SNR-Dilemmas (Signal Rausch Verhältnis) im MR verschoben werden. Das SNR-Dilemma besteht im Wesentlichen darin, dass das MR-Signal mit der Pixelgröße und der Untersuchungsdauer größer wird, man aber bestrebt ist, hochaufgelöste Bilder schnell aufzunehmen. Dadurch erhält man jedoch rauschige Bilder. Mit den sorgfältig trainierten DLR-Algorithmen lässt sich das Rauschen in den Bildern deutlich verringern, sodass in kürzerer Zeit eine höhere Auflösung zur Verfügung steht.
Nach der Erstentwicklung war die Bestrebung je nach Hersteller, diese Techniken für alle Sequenzen und Regionen verfügbar zu machen, und auch die Kompatibilität mit 2D und 3D Sequenzen sowie allen Beschleunigungstechniken sicherzustellen. Zusätzlich musste auch die Kompatibilität mit Parameterbildgebung (z. B. ADC-Mapping) klinisch evaluiert werden. Neuere Entwicklungen wie PIQE (Precise Image Quality Engine) ermöglichen es auch, basierend auf Deep-Learning-Algorithmen die Auflösung im Bild zu erhöhen und gleichzeitig spezielle Artefakte (Gibbs-Ringing) zu reduzieren.
Neuere Entwicklungen, welche noch nicht die volle Bandbreite aller klinischen Anwendungen abdecken, sind unter anderem Rekonstruktionsalgorithmen, die weitere MR-typische Artefakte adressieren und reduzieren. Speziell genannt seien hier Bewegungsartefakte, die durch sporadische Bewegungen entstehen, aber trotz kartesischer K-Raum Abtastung mit einer DLR-Technik korrigiert werden können. Ebenso können auch Metallartefakttechniken für das MRT mit KI-Techniken weiterentwickelt werden.
Darüber hinaus findet eine engere Verzahnung von Befundung und Therapie statt, die von KI-Techniken gefördert werden. Ein Beispiel ist die Berechnung von synthetischen CT-Bildern für die Bestrahlungsplanung aus MR-Dixon-Bildern und/oder T2-Bildern. Ein weiteres Beispiel ist die vollautomatisierte Vorauswertung von MRT-Hirnscans, die zu einer Erweiterung der laufenden Untersuchung führen kann. Die Automation Platform (Vital Images / Canon Medical) kann nach Auswertung von FLAIR-und Diffusions-Bildern vom MRT eine Rückmeldung ans MRT geben und eine Perfusionsbildgebung anfordern.
Zukünftige KI-Anwendungen und ihre Folgen
Es zeigt sich also, dass KI-Anwendungen im MRT stetig zunehmen und umfangreicher werden. Zusätzlich verschwimmen die Grenzen hin zur Befundung. So ist es vorstellbar, dass das MRT bei unklarer Befundlage selbstständig eine Kreuzbandsequenz oder eine T2-Map zur Knorpelbeurteilung vorschlägt. Inwieweit sich dies aber in einem Gesundheitssystem aus dem letzten Jahrhundert vernünftig darstellen lässt, ist sicherlich zu hinterfragen. Noch wichtiger ist die Frage, ob sich beispielsweise die verkürzten MR-Untersuchungszeiten in den Praxen auch organisatorisch umsetzen lassen. Braucht ein MR jetzt drei statt vorher zwei Kabinen, um Leerstehzeiten zu vermeiden? Vielleicht kann aber auch dieser Punkt mit Hilfe von KI in Zukunft schon während der Terminvergabe berücksichtigt und die „Umziehzeiten“ der Patienten eingeplant werden.