Eingabe löschen

Kopfbereich

Hauptnavigation

School of Engineering

Verbesserung der Qualität von CT-Bildern mit KI und Deep Learning

Im kürzlich abgeschlossenen Innosuisse-Projekt DIR3CT ist es Forschenden des Zentrums für KI (CAI) der ZHAW gelungen, die Qualität von CT-Bildern mit Hilfe von KI und Deep Learning verbessern. Die Ergebnisse des Projekts, das in Zusammenarbeit mit Varian Medical Systems sowie dem Institut für Angewandte Mathematik und Physik (IAMP) der ZHAW durchgeführt wurde, könnten die Strahlentherapie von Krebspatienten verbessern.

Die «Cone-Beam» Computertomographie (CBCT) wird in der klinischen Strahlentherapie häufig eingesetzt, um während der Behandlung schnell räumliche (3D) Bilder der Anatomie des Patienten zu erhalten, z. B. für dessen korrekte Positionierung. On-Board CBCT-Scanner leiden jedoch unter einer geringeren Bildqualität im Vergleich zu diagnostischen CT’s sowie unter Artefakten, die durch die Bewegung des Patienten (z. B. aufgrund von Atmung, Herzschlag, Muskelentspannung oder im Verdauungstrakt) entstehen.

Varian Medical Systems (heute ein Unternehmen von Siemens Healthineers), ein Weltmarktführer in der Strahlentherapie, hat sich mit Forschern zweier ZHAW-Institute, dem Zentrum für KI (CAI) und dem Institut für Angewandte Mathematik und Physik (IAMP), zusammengetan, um mit Künstlicher Intelligenz (KI) und Deep Learning die Bewegungsartefakte zu reduzieren und damit die Bildqualität der CBCT-Aufnahmen zu verbessern.

Im Projekt DIR3CT (finanziert von Innosuisse) wurde eine Lösung zur Bekämpfung dieser Effekte entwickelt, bei der tiefe neuronale Netze zur Korrektur der Artefakte trainiert werden. Der entwickelte "Dual-Domain"-Ansatz kann die Qualität von CBCT-Bildern erheblich verbessern, indem er sowohl auf die 2D-Röntgenprojektionen als auch auf dem rekonstruierten 3D-CBCT-Bild angewendet wird. Dies ermöglicht ein Ende-zu-Ende Training des Modells (siehe linke Abbildung), eingebettet in die CBCT-Bildrekonstruktion. Ein Beispiel für das ursprüngliche und das bewegungsbereinigte CBCT ist in der rechten Abbildung dargestellt.

Die quantitative Auswertung, sowie eine Evaluation durch klinische Experten, bestätigten die Überlegenheit der bewegungsreduzierten CBCT-Bilder gegenüber den Originalbildern. Eine klinische Studie ist derzeit im Gange.

Darüber hinaus wurden zeitaufgelöste 4D-CBCT-Bilder untersucht, die physikalisch plausible Konzepte zur Modellierung der anatomischen Bewegungen erfordern. Es konnte ein Bewegungsmodell trainiert werden, das externe Konditionierungsdaten (z. B. ein Atemsignal) verwendet, um die Änderungen (so genannte Verschiebungsvektorfelder) zwischen verschiedenen Bewegungszuständen in einem einzigen «forward pass» vorherzusagen.

Zusammenfassend konnte das Projekt zeigen, dass bewegungsreduzierte CBCT-Bilder im klinischen Arbeitsablauf wertvoll sind, auch für fortgeschrittene Anwendungen wie die adaptive Strahlentherapie. Die Ergebnisse werden derzeit für die Einreichung bei einer wissenschaftlichen Fachzeitschrift vorbereitet und wurden kürzlich als Poster auf der wissenschaftlichen Konferenz der AAPM (American Association of Physicists in Medicine) in Washington DC vorgestellt.

Die Forschungszusammenarbeit zwischen Varian und der ZHAW wird im kürzlich gestarteten Folgeprojekt AC3T fortgesetzt, an dem nun auch weitere Projektpartner aus Südkorea beteiligt sind.