Background: Computed tomography (CT) is a central modality in modern radiology contributing to diagnostic medicine in almost every medical subspecialty, but particularly in emergency services. To solve the inverse problem of reconstructing anatomical slice images from the raw output the scanner measures, several methods have been developed, with filtered back projection (FBP) and iterative reconstruction (IR) subsequently providing criterion standards. Currently there are new approaches to reconstruction in the field of artificial intelligence utilizing the upcoming possibilities of machine learning (ML), or more specifically, deep learning (DL).
Method: This review covers the principles of present CT image reconstruction as well as the basic concepts of DL and its implementation in reconstruction. Subsequently commercially available algorithms and current limitations are being discussed.
Results and conclusion: DL is an ML method that utilizes a trained artificial neural network to solve specific problems. Currently two vendors are providing DL image reconstruction algorithms for the clinical routine. For these algorithms, a decrease in image noise and an increase in overall image quality that could potentially facilitate the diagnostic confidence in lesion conspicuity or may translate to dose reduction for given clinical tasks have been shown. One study showed equal diagnostic accuracy in the detection of coronary artery stenosis for DL reconstructed images compared to IR at higher image quality levels. Consequently, a lot more research is necessary and should aim at diagnostic superiority in the clinical context covering a broadness of pathologies to demonstrate the reliability of such DL approaches.
Key points: · Following iterative reconstruction, there is a new approach to CT image reconstruction in the clinical routine using deep learning (DL) as a method of artificial intelligence.. · DL image reconstruction algorithms decrease image noise, improve image quality, and have potential to reduce radiation dose.. · Diagnostic superiority in the clinical context should be demonstrated in future trials..
Citation format: · Arndt C, Güttler F, Heinrich A et al. Deep Learning CT Image Reconstruction in Clinical Practice. Fortschr Röntgenstr 2021; 193: 252 - 261.
Hintergrund: Die Computertomografie (CT) ist eine zentrale Modalität der modernen Radiologie, die in nahezu allen medizinischen Fachdisziplinen, insbesondere aber in der Notfallmedizin, einen wichtigen Bestandteil zur Gesundheitsversorgung liefert. Die Berechnung bzw. Rekonstruktion von Schnittbildern aus den rohen Messwerten der CT-Untersuchungen stellt mathematisch ein inverses Problem dar. Bisher waren die gefilterte Rückprojektion und die iterative Rekonstruktion (IR) die Goldstandards, um schnell und zuverlässig Bilder zu berechnen. Aktuell gibt es im Rahmen neuerer Entwicklungen im Bereich der künstlichen Intelligenz mit dem Deep Learning (DL) einen weiteren Ansatzweg in der klinischen Routine.
Methode: Dieser Übersichtsartikel erläutert die bisherigen Prinzipien der Bildrekonstruktion, das Konzept des DL und das Anwendungsprinzip zur Rekonstruktion. Anschließend werden kommerziell verfügbare Algorithmen und bisherige Studien diskutiert und Grenzen sowie Probleme dargestellt.
Ergebnis und schlussfolgerung: DL als Methode des Machine Learning nutzt im Allgemeinen ein trainiertes, künstliches, neuronales Netzwerk zur Lösung von Problemen. Aktuell sind DL-Rekonstruktionsalgorithmen von 2 Herstellern für die klinische Routine verfügbar. In den bisherigen Studien konnte eine Reduktion des Bildrauschens und eine Verbesserung der Gesamtqualität gezeigt werden. Eine Studie zeigte, bei höherer Qualität der mittels DL rekonstruierten Bilder, eine vergleichbare diagnostische Genauigkeit zur IR für die Detektion von Koronarstenosen. Weitere Studien sind notwendig und sollten vor allem auch auf eine klinische Überlegenheit abzielen, während dabei ein breiter Umfang an Pathologien umfasst werden muss.
Kernaussagen: · Nach der aktuell verbreiteten iterativen Rekonstruktion können CT-Schnittbilder im klinischen Alltag nun auch mittels Deep Learning (DL) als Methode der künstlichen Intelligenz rekonstruiert werden.. · Durch DL-Rekonstruktionen können Bildrauschen vermindert, Bildqualität verbessert und möglicherweise Strahlung reduziert werden.. · Eine diagnostische Überlegenheit im klinischen Kontext sollte in kommenden Studien gezeigt werden..
Thieme. All rights reserved.