AIRPET: Virtual Positron Emission Tomography

Dieses Paper stellt AIRPET vor, eine webbasierte, KI-gestützte Plattform, die den komplexen, mehrstufigen Prozess des PET-Scanner-Designs und dessen Evaluierung durch die Integration von Detektorsimulation, Bildrekonstruktion und LLM-gesteuerter Geometrieerstellung in einen einzigen, zugänglichen Workflow optimiert.

Das Wesentliche

Stellen Sie sich vor, Sie möchten eine brandneue, hochmoderne Kamera bauen, die in den menschlichen Körper hineinsehen kann, um Krankheiten aufzuspüren. Dies ist keine gewöhnliche Kamera; es ist ein PET-Scanner, ein Gerät, das winzige Teilchen erkennt, um 3D-Bilder davon zu erstellen, wie die Organe Ihres Körpers arbeiten.

Den Bau einer solchen Maschine ist unglaublich schwierig. Es ist, als würde man versuchen, einen Ferrari zu bauen, ihn auf einer Rennstrecke zu fahren und dann gleichzeitig der Arzt zu sein, der die Gesundheit des Fahrers diagnostiziert – und das alles ganz allein. Das Papier stellt AIRPET vor, ein neues webbasiertes Tool, das darauf ausgelegt ist, diesen unmöglichen Job viel einfacher zu machen, indem es als „Co-Pilot“ für Wissenschaftler fungiert.

So funktioniert AIRPET, unterteilt in einfache Schritte:

1. Das Problem: Ein dreiköpfiges Monster

Derzeit ist das Design eines PET-Scanners in drei sehr schwierige Aufgaben aufgeteilt, die normalerweise verschiedene Experten erfordern:

• Der Architekt: Entwirft die physische Form und die Materialien des Detektors (unter Verwendung komplexer Mathematik- und Physiksoftware).
• Der Simulator: Führt eine „virtuelle Testfahrt“ durch, um zu sehen, wie sich die Maschine verhalten würde, wenn sie existieren würde.
• Der Arzt: Betrachtet die resultierenden Bilder, um zu sehen, ob sie klar genug sind, um einen Patienten zu diagnostizieren.

Die meisten Forscher können nur einen dieser Jobs gut beherrschen. Wenn Sie gut im Design sind, haben Sie vielleicht Schwierigkeiten mit dem Simulationscode. Wenn Sie ein Programmierer sind, verstehen Sie vielleicht die medizinische Seite nicht. Dies schafft ein „Silo“, in dem Experten nicht leicht miteinander kommunizieren können.

2. Die Lösung: AIRPET (Die All-in-One-Werkstatt)

AIRPET ist eine Website, die all diese drei Aufgaben in einer einzigen, einfach zu bedienenden Werkstatt zusammenführt. Es ist wie ein „Lego-Set“ für PET-Scanner, aber mit einem smarten Roboter-Helfer.

• Der smarte Roboter (KI-Assistent): Anstatt hunderte Zeilen verwirrenden Codes zu schreiben, um Ihre Maschine zu beschreiben, können Sie einfach eine Anfrage an die KI stellen. Sie könnten sagen: „Baue einen Ring aus 16 Kristallen mit einem Radius von 90 cm.“ Die KI fungiert als Übersetzer, der Ihre einfachen Worte in die komplexen technischen Dateien verwandelt, die der Computer benötigt, um die virtuelle Maschine zu bauen.
• Die virtuelle Testfahrt (Simulation): Sobald die Maschine im Computer „gebaut“ wurde, führt AIRPET eine Simulation durch. Es schießt virtuelle Teilchen durch Ihr Design, um zu sehen, wie sie umherprallen, genau wie bei einem Crashtest eines Autos in einem Videospiel, bevor man das echte Ding baut.
• Der Bildmacher (Rekonstruktion): Nach der Simulation nimmt das Tool die Daten und verwandelt sie sofort in ein 3D-Bild. Sie können sehen, ob Ihr Design tatsächlich ein klares Bild erzeugt oder ob es verschwommen ist.

3. Ein echtes Beispiel: Der „CRYSP“-Test

Die Autoren testeten dieses Tool mit einem speziellen Design namens CRYSP. Sie nutzten AIRPET, um einen virtuellen Scanner aus speziellen Kristallen zu bauen. Sie platzierten ein „Phantom“ (ein künstliches Körperteil aus Wasser mit sechs winzigen Kugeln darin) in die Mitte.

Sie sagten dem Computer, er solle die Simulation eines Scanners durchführen, der diese Kugeln betrachtet. Innerhalb von Minuten generierte AIRPET ein 3D-Bild, das die sechs Kugen deutlich zeigte. Dies bewies, dass das Tool in der Lage ist, eine Designidee zu nehmen, sie zu simulieren und das Ergebnis zu zeigen, ohne dass ein Team von zehn Experten nötig ist.

4. Was kommt als Nächstes? (Die zukünftige Werkstatt)

Das Papier erklärt, dass sich AIRPET noch im Bau befindet, wie ein Haus, bei dem die Wände stehen, aber die Möbel noch fehlen. Die Autoren planen, Folgendes hinzuzufügen:

• Bessere KI-Tools: Anstatt die KI nur zu bitten, „Code zu schreiben“, wollen sie der KI spezifische „Werkzeuge“ geben (wie eine vorgefertigte Funktion, um Kristalle in einem Kreis anzuordnen), damit sie weniger Fehler macht.
• Eine Bibliothek von Bauteilen: Ein digitales Regal, in dem Benutzer vorgefertigte Teile greifen können (wie standardisierte medizinische Testobjekte), anstatt alles von Grund auf neu zu bauen.
• Der „KI-Arzt“: Schließlich wollen sie eine KI hinzufügen, die die generierten 3D-Bilder betrachten und eine Zweitmeinung darüber abgeben kann, wie gut das Bild ist, was als Trainingspartner für echte Ärzte dient.

Das Wichtigste in Kürze

AIRPET ist eine webbasierte Plattform, die Künstliche Intelligenz nutzt, um Wissenschaftlern dabei zu helfen, PET-Scanner an einem Ort zu entwerfen, zu testen und zu visualisieren. Es senkt die Eintrittsbarriere und ermöglicht es kleineren Teams oder Einzelpersonen, mit neuen Scanner-Designs zu experimentieren, ohne Meister in jedem einzelnen Schritt des Prozesses sein zu müssen. Es ist derzeit ein Forschungswerkzeug zum Bau besserer Maschinen, noch kein Gerät, das direkt an Patienten eingesetzt wird.

Technische Zusammenfassung

Technische Zusammenfassung: AIRPET – Virtuelle Positronen-Emissions-Tomographie

Problemstellung
Das Design und die Evaluierung neuer Technologien für die Positronen-Emissions-Tomographie (PET) ist ein komplexer, multidisziplinärer Prozess, der typischerweise in drei distinkte Phasen unterteilt wird: (1) Detektordesign und Simulation, (2) Bildrekonstruktion und (3) Bildinterpretation. Jede dieser Phasen erfordert spezialisierte Expertise, was eine erhebliche Eintrittsbarriere für Forscher und Ingenieure schafft, die nicht alle drei Phasen gleichzeitig bewältigen können. Darüber hinaus stützt sich die aktuelle Landschaft auf eine Vielzahl spezialisierter Softwarewerkzeuge, die in Silos operieren, was einen hohen Integrationsaufwand erfordert und oft verhindert, dass Experten eines Fachbereichs die Auswirkungen ihrer Arbeit auf andere Phasen vollumfänglich nachvollziehen können. Während medizinische Fachkräfte die abschließende Interpretation durchführen, besteht ein Bedarf an Werkzeugen, die bei der Generierung von Trainingsdaten unterstützen und als „KI-Partner“ dienen können, um Diagnosen mit denen von Radiologen zu vergleichen.

Methodik
Um diese Herausforderungen anzugehen, haben die Autoren AIRPET (AI-driven Revolution in Positron Emission Tomography) entwickelt, eine Open-Source-basierte Web-Plattform, die den gesamten PET-Design-Workflow in einer einzigen Schnittstelle integriert. Das System arbeitet nach einem Client-Server-Modell:

• Frontend: Erstellt mit HTML/JavaScript und three.js, bietet es einen visuellen Editor zur Manipulation der 3D-Geometrie.
• Backend: Erstellt mit Python/Flask, verwaltet es den Projektstatus, die Ausführung der Simulation sowie die Bildrekonstruktion.

Der Workflow durchläuft die folgenden technischen Komponenten:

1. Detektordesign: Benutzer definieren die Geometrie über einen visuellen Editor oder textbasierte Prompts. Das System nutzt eine interne JSON-Repräsentation und unterstützt das Standard-Geant4-GDML-Format für Import und Export. Ein Schlüsselfunktion ist die Integration von Large Language Models (LLMs), die derzeit lokal gehostete Open-Source-Modelle (via Ollama) und Cloud-basierte Modelle (Google Gemini) unterstützen. Benutzer können natürliche Sprachbefehle eingeben (z. B. „erstelle eine minimale PET-Geometrie...“), welche die KI versucht, in die notwendige JSON-Struktur zu übersetzen. Das System unterstützt zudem den CAD-Import von STEP-Dateien mittels der pythonocc-Bibliothek.
2. Detektorsimulation: Nach Initiierung durch den Benutzer generiert das Backend GDML- und Geant4-Makro-Dateien (.mac) basierend auf der definierten Geometrie und den Parametern. Die Simulation läuft in einem separaten Thread und liefert Echtzeit-Fortschrittsmeldungen. Die Ausgabedaten, einschließlich Detektor-Hits und Teilchenspuren, werden im HDF5-Format gespeichert.
3. Bildrekonstruktion: Das System verarbeitet simulierte 511 keV Gamma-Strahlungsinteraktionen in Linien der Antwort (Lines of Response, LORs). Es wendet grundlegende Detektorphysikalische Effekte an, wie etwa Gaußsche Verschmierung für Positions- und Energieauflösung. Die Plattform nutzt die parallelproj-Bibliothek, um eine 3D-Bildrekonstruktion mittels des Maximum-Likelihood-Expectation-Maximization (MLEM)-Algorithmus durchzuführen.
4. Medizinische Evaluierung (Vorgeschlagen): Die Autoren skizzieren ein zukünftiges Modul, das multimodale LLMs einsetzt, um qualitative Bewertungen der rekonstruierten Bilder vorzunehmen, welches als Trainingswerkzeug und nicht als Ersatz für eine professionelle medizinische Diagnose gedacht ist.

Wesentliche Beiträge und Ergebnisse

• Vereinheitlichter Workflow: AIRPET überbrückt erfolgreich die Lücke zwischen Detektordesign, Simulation und Bildrekonstruktion, wodurch es Benutzern ermöglicht, von der Definition der Geometrie bis zur Visualisierung eines 3D-PET-Bildes innerhalb einer einzigen Web-Schnittstelle zu navigieren.
• KI-gestützte Geometrieerstellung: Die Plattform demonstriert die Machbarkeit der Verwendung von LLMs zur Generierung komplexer Detektorgeometrien aus Text-Prompts, was den manuellen Programmieraufwand erheblich reduziert, wenngleich die Autoren anmerken, dass dies derzeit eine menschliche Feinabstimmung erfordert.
• Demonstrationsfall (CRYSP): Die Arbeit präsentiert einen Validierungsfall, der eine vereinfachte Version des Total-Body-PET-Scanners CRYSP1M modelliert. Das System simulierte einen mit Wasser gefüllten 6-Sphären-Phantom mit variierenden Radien und Aktivitätsverhältnissen. Mit 108 Positron-Elektron-Zerfällen und 10 Iterationen des MLEM-Algorithmus rekonstruierte AIRPET erfolgreich ein 3D-Bild des Phantoms und visualisierte die Aktivitätsverteilung. Die Normalisierung erfolgte mittels einer Sensitivitätsmatrix, die aus simulierten zufälligen LORs abgeleitet wurde.

Bedeutung und Ansprüche
Die Autoren positionieren AIRPET als ein Werkzeug, das die Forschung und Entwicklung im Bereich PET demokratisiert, indem es die technischen Barrieren senkt, die mit der Integration von Simulations- und Rekonstruktionstools verbunden sind. Die Plattform verfolgt zwei primäre Funktionen:

1. Ein Trainingsfeld: Durch die Generierung von Trainingsdatensätzen und simulierten realistischen Problemen unterstützt sie die Ausbildung von Forschern und die Entwicklung von KI-Diagnosetools.
2. Ein KI-Partner: Sie bietet einen Mechanismus, um KI-generierte Diagnosen mit denen von Radiologen zu vergleichen, was potenziell die Evaluierung neuer Scanner-Designs beschleunigt.

Die Arbeit wahrt einen bescheidenen Ton hinsichtlich ihrer aktuellen Fähigkeiten und räumt ein, dass die KI-gestützte Geometrieerstellung noch kein Ersatz für erfahrene menschliche Designer ist und dass das Modul zur medizinischen Evaluierung ein zukünftiges Ziel und kein aktuelles Feature darstellt. Der primäre Wert liegt in der Integration dieser disparaten Phasen in einen kohärenten, zugänglichen Workflow, um eine effizientere PET-Scanner-Entwicklung zu ermöglichen.