Real-time Volumetric Imaging for Minimally-Invasive Thoracic Interventions: A Deformable Phantom Study

Im Inneren des menschlichen Brustkorbs sind die Lungen niemals still. Mit jedem Atemzug dehnen sie sich aus und ziehen sich zusammen, wodurch sich die Position von Blutgefäßen, Atemwegen und jeglichen Tumoren oder Instrumenten in ihnen verschiebt. Für Ärzte, die empfindliche Eingriffe wie Biopsien oder Tumorbehandlungen durchführen, stellt diese ständige Bewegung ein schwieriges Problem dar. Sie verlassen sich auf die Röntgenfluoroskopie, eine Technik, die ein kontinuierliches Echtzeitvideo aus dem Inneren des Körpers liefert, ganz ähnlich wie eine Live-Übertragung. Dieses Video ist jedoch zweidimensional – ein flacher Schatten, der die wahre dreidimensionale Tiefe der Anatomie verbirgt. Um die volle Form und Lage von Strukturen zu sehen, müssen Ärzte den Eingriff unterbrechen, um eine dreidimensionale Aufnahme zu machen, wie etwa eine konische Computertomographie (Cone-Beam Computed Tomography oder CBCT). Aber diese Scans sind Momentaufnahmen; sie aktualisieren sich nicht, während der Patient atmet, und die Anatomie kann sich bereits verändert haben, wenn der Arzt sie betrachtet. Derzeit gibt es keine Möglichkeit, eine kontinuierlich aktualisierte, dreidimensionale Ansicht des Brustkorbs zu erhalten, während der Arzt mit Standard-Röntgengeräten arbeitet.

Ein Forscherteam hat eine neue Methode entwickelt, um diese Lücke zu schließen, indem künstliche Intelligenz verwendet wird, um ein bewegtes dreidimensionales Volumen aus standardmäßigen zweidimensionalen Röntgenbildern zu rekonstruieren. Ihre Arbeit, die an physischen Modellen der menschlichen Lunge getestet wurde, zeigt, dass es möglich ist, eine Live-dreidimensionale Karte der respiratorischen Anatomie zu generieren, ohne den Eingriff zu unterbrechen. Das System namens VoxelMap lernt, vorherzusagen, wie sich das Innere des Brustkorbs mit jedem Atemzug verformt, indem es die sich ändernden Schatten im Röntgenvideo analysiert. Im Erfolgsfall könnte diese Technologie es Ärzten ermöglichen, Instrumente durch die Lungen mit einer ständig aktualisierten dreidimensionalen Führung zu navigieren, was die Präzision und Sicherheit erhöht, ohne dass wiederholte, strahlungsintensive Scans erforderlich sind.

Die Forscher testeten dieses System mit zwei verschiedenen physischen Modellen, oder Phantomen, die den menschlichen Brustkorb und dessen Atembewegung nachahmen sollen. Das erste Modell, bekannt als PixelPrint4D, war ein Einzellungen-Phantom, das gebaut wurde, um eine spezifische Patientenlunge mit simulierten Tumoren und Blutgefäßen darzustellen. Das zweite, genannt Casper, war ein umfassenderes Modell des gesamten menschlichen Torsos, einschließlich Rippen und einer sich realistisch bewegenden Brustwand. Beide Modelle wurden in ein klinisches Röntgengerät platziert, wie man es in Operationssälen von Krankenhäusern findet, und so programmiert, dass sie einen Zyklus von zehn verschiedenen Phasen durchliefen, von tiefer Einatmung bis hin zur vollständigen Ausatmung. Das Team nutzte die Maschine, um tausende von zweidimensionalen Röntgenbildern aufzunehmen, während sich die Modelle bewegten. Diese Bilder wurden dann verwendet, um ein Deep-Learning-Netzwerk – eine Art künstlicher Intelligenz – zu trainieren, damit es die Beziehung zwischen den flachen Röntgenschatten und der zugrunde liegenden dreidimensionalen Form der Lungen versteht.

Um sicherzustellen, dass das System der unvorhersehbaren Natur der realen Atmung standhält, trainierten die Forscher die KI auf den meisten Atemphasen, ließen aber bewusst eine Phase aus den Trainingsdaten aus. Sie baten das System dann, die dreidimensionale Form der Lungen während dieser fehlenden Phase vorherzusagen, wobei nur die in diesem Moment aufgenommenen zweidimensionalen Röntgenbilder verwendet wurden. Sie verglichen die Vorhersage der KI mit dem tatsächlichen dreidimensionalen Scan, der zum selben Zeitpunkt des Phantoms erstellt wurde, um zu sehen, wie nah die Übereinstimmung war. Die Ergebnisse zeigten, dass das System die dreidimensionale Anatomie genau rekonstruieren konnte. In jedem Test entsprachen die vorhergesagten Bilder den echten Scans mit einem hohen Grad an Ähnlichkeit, wobei das System beim komplexeren Torso-Modell sogar besser abschnitt als beim Einzellungen-Modell. Die Genauigkeit war so hoch, dass die vorhergesagten Bilder in Bezug auf die strukturelle Detailgenauigkeit kaum vom Original (Ground Truth) zu unterscheiden waren.

Die Geschwindigkeit war für die Nützlichkeit dieser Technologie in einem klinischen Live-Szenario ebenso entscheidend wie die Genauigkeit. Die Forscher maßen, wie lange der Computer benötigte, um ein einzelnes Röntgenbild zu verarbeiten und das entsprechende dreidimensionale Volumen zu generieren. Das System schloss diese Aufgabe in weniger als 15 Millisekunden ab – eine Geschwindigkeit, die schnell genug ist, um dem kontinuierlichen Fluss der Bilder in einem Echtzeitverfahren zu folgen. Dies bedeutet, dass sich die dreidimensionale Ansicht theoretisch so schnell aktualisieren könnte, wie das Röntgengerät neue Bilder erfasst, was dem Arzt eine nahtlose, Live-Führung bietet.

Über die bloße Generierung des Bildes hinaus wollten die Forscher wissen, ob das System dem Arzt mitteilen kann, wann es möglicherweise falsch liegt. In medizinischen Anwendungen ist es lebenswichtig zu wissen, wann eine Vorhersage eines Computers zuverlässig ist. Um dies zu testen, verwendeten sie eine Technik namens „Deep Ensemble“, bei der fünf leicht unterschiedliche Versionen des KI-Modells zusammenarbeiteten, um eine Vorhersage zu treffen. Indem sie analysierten, wie sehr diese fünf Modelle voneinander abwichen, konnte das System ein Maß für die Unsicherheit berechnen. Die Studie fand eine klare Verbindung zwischen dieser Unsicherheit und dem tatsächlichen Fehler in der Vorhersage: Wenn die Modelle stärker voneinander abwichen, war die Vorhersage weniger genau. Dies deutet darauf an, dass das System ein eingebautes Warnsignal liefern könnte, das den Arzt warnt, wenn die KI bei ihrer Rekonstruktion weniger vertrauenswürdig ist.

Die Studie bestätigt, dass es möglich ist, kontinuierlich aktualisierte dreidimensionale Informationen aus standardmäßigen zweidimensionalen Röntgenprojektionen in einem klinischen Umfeld abzuleiten. Das System arbeitete über zwei sehr unterschiedliche physische Modelle des menschlichen Brustkorbs hinweg effektiv und behielt dabei eine hohe Genauigkeit und Geschwindigkeit bei. Obwohl die Studie an physischen Modellen und nicht an echten Patienten durchgeführt wurde, etabliert sie einen entscheidenden Proof of Concept. Die Forscher merkten an, dass weitere Arbeiten notwendig sind, um das System mit echten Patientendaten zu testen und sicherzustellen, dass es die volle Variabilität der menschlichen Atmung und Anatomie bewältigen kann. Die Ergebnisse zeigen jedoch, dass die Technologie bereit ist, den Schritt vom Labor hin zu klinischen Studien zu vollziehen, und eine potenzielle Zukunft eröffnet, in der Ärzte die vollständige, sich bewegende dreidimensionale Landschaft des Brustkorbs sehen können, ohne den Eingriff jemals unterbrechen zu müssen.