Deep Learning Image Reconstruction Combined with SnapShot Freeze 2 Improves CCTA Image Quality in Patients with Atrial Fibrillation: A Retrospective Study

Das menschliche Herz ist eine unermüdliche Pumpe, die etwa einmal pro Sekunde schlägt, um das Blut durch ein riesiges Netzwerk von Arterien zu leiten. Für Ärzte ist es lebenswichtig, in diese Gefäße klar hineinsehen zu können, um Blockaden zu diagnostizieren, die zu einem Herzinfarkt führen könnten. Eines der leistungsstärksten Werkzeuge hierfür ist eine spezielle Art von CT-Scan, der Röntgenstrahlen verwendet, um detaillierte, dreidimensionale Bilder der Koronararterien zu erstellen. Das Erhalten eines klaren Bildes ist jedoch schwierig, wenn sich das Herz bewegt. Wenn das Herz zu schnell oder unregelmäßig schlägt, kann das resultierende Bild unscharf wirken, wie eine Fotografie eines rennenden Kindes ohne eine ausreichend schnelle Verschlusszeit. Dieses Problem wird besonders schwerwiegend bei Patienten mit Vorhofflimmern, einer häufigen Erkrankung, bei der die oberen Herzkammern statt eines stetigen Rhythmus zittern. Der unregelmäßige Rhythmus macht die Bewegung des Herzens unvorhersehbar und verwandelt einen diagnostischen Scan oft in ein verschwommenes Chaos, das nicht zur Entscheidungsfindung in der Medizin genutzt werden kann.

Jahrelang haben Wissenschaftler versucht, dies zu lösen, indem sie Software entwickelten, die die Bewegung des Herzens nach der Aufnahme des Scans „einfrieren“ kann. Diese Programme betrachten mehrere Momente des Herzschlags und fügen sie zusammen, um ein schärferes Bild zu erstellen. Vor kurener Zeit wurde eine neue Art von Computertechnologie namens Deep Learning eingeführt, um das körnige Rauschen zu beseitigen, das diese Bilder oft plagt. Während frühere Studien diese Werkzeuge getrennt betrachtet haben, untersuchte eine neue Studie von Forschern aus Hainan, China, was passiert, wenn man sie zusammen einsetzt. Sie wollten wissen, ob die Kombination eines Bewegungs-Freeze-Werkzeugs der zweiten Generation mit einem leistungsstarken Deep-Learning-Reiniger klare, nutzbare Bilder für Patienten mit Vorhofflimmern erzeugen kann, selbst wenn deren Herzfrequenz hoch und unregelmäßig ist.

Die Forscher konzentrierten sich auf dreißig Patienten, bei denen Vorhofflimmern diagnostiziert worden war und die eine koronare CT-Angiographie durchführen ließen. Um einen fairen Test zu gewährleisten, gaben sie den Patienten keine Medikamente, um ihre Herzen zu verlangsamen, sodass die Scans die reale Herausforderung eines unregelmäßigen Herzschlags widerspiegelten. Die Herzfrequenzen während der Scans reichten von 60 bis 160 Schlägen pro Minute, mit einem Durchschnitt von 107 Schlägen pro Minute, und die Zeit zwischen den Schlägen variierte von Person zu Person erheblich. Nachdem die Scans abgeschlossen waren, nahm das Team die Rohdaten jedes Patienten und rekonstruierte die Bilder mit drei verschiedenen Methoden. Die erste Methode verwendete eine Standardtechnik zur Rauschreduzierung gepaart mit der älteren Bewegungskorrektur der ersten Generation. Die zweite Methode verwendete dieselbe Rauschreduzierung, kombinierte sie jedoch mit einer neueren Bewegungskorrektur der zweiten Generation, die die Bewegung des gesamten Herzens berücksichtigt und nicht nur die der Arterien. Die dritte Methode kombinierte diese neuere Bewegungskorrektur mit der fortschrittlichen Deep-Learning-Technologie, die darauf ausgelegt ist, Rauschen zu entfernen und gleichzeitig feine Details scharf zu halten.

Das Team verglich dann die Ergebnisse dieser drei Ansätze und betrachtete sowohl die ruhigen Momente des Herzschlags (Diastole) als auch die aktiven Squeeze-Momente (Systole). Sie maßen die Klarheit der Bilder, indem sie prüften, wie viel „Statik“ oder Körnigkeit vorhanden war und wie gut der Kontrast zwischen den Blutgefäßen und dem umliegenden Gewebe hervortrat. Sie ließen zudem zwei erfahrene Radiologen, die nicht wussten, welche Methode welches Bild erstellt hatte, die Gesamtqualität der Scans auf einer Skala von eins bis fünf bewerten. Die Ergebnisse waren beeindruckend. Die mit der Deep-Learning-Technologie und der neueren Bewegungskorrektur erstellten Bilder zeigten konsistent das geringste Maß an Körnigkeit und die klarsten Gefäßgrenzen. In der Ruhephase des Herzschlags war das Rauschniveau in der besten Gruppe signifikant niedriger als in den anderen Gruppen und sank von durchschnittlich etwa 25 Einheiten in der Standardgruppe auf gerade einmal über 11 Einheiten in der Deep-Learning-Gruppe. Diese Rauschreduzierung schlug sich direkt in einem viel klareren Bild nieder, wobei das Signal-Rausch-Verhältnis in einigen Bereichen im Vergleich zu den älteren Methoden um mehr als das Doppelte anstieg.

Die Verbesserung war nicht nur eine Frage von Zahlen; die menschlichen Beobachter bemerkten es ebenfalls. Die Radiologen vergaben die höchsten Punktzahlen an die Bilder, die mit der Deep-Learning-Technologie und der Bewegungskorrektur der zweiten Generation rekonstruiert wurden, insbesondere während der aktiven Phase des Herzschlags, wenn Bewegungsartefakte normalerweise am schlimmsten sind. In der systolischen Phase lag der Medianwert für diese Top-Gruppe bei einer perfekten Vier, während die anderen Methoden um eine Drei schwankten. Die Übereinstimmung zwischen den beiden Ärzten war ebenfalls am stärksten bei diesen Bildern, was darauf hindeutet, dass die Verbesserung real und konsistent war und nicht nur eine Meinung eines einzelnen Arztes darstellte. Die Studie ergab, dass die ältere Bewegungskorrektur zwar besser war als gar keine Korrektur, aber nicht die Klarheit erreichen konnte, die durch die Paarung mit dem Deep-Learning-Werkzeug erzielt wurde. Der Deep-Learning-Ansatz glättete das Bild nicht nur, sondern bewahrte auch die scharfen Kanten der Arterien, was deren Verfolgung und Messung erleichterte.

Diese Forschung legt nahe, dass für Patienten mit unregelmäßigen Herzschlägen die Kombination aus fortschrittlicher Bewegungskorrektur und Deep-Learning-Bildrekonstruktion einen signifikanten Vorteil gegenüber der aktuellen Standardpraxis bietet. Die Studie deutet darauf hin, dass dieser Ansatz die Körnigkeit des Bildes reduzieren und die durch die erratische Bewegung des Herzens verursachte Unschärfe mildern kann, was das Potenzial hat, Scans, die zuvor unlesbar gewesen wären, in diagnostisch verwertbare Bilder zu verwandeln. Obwohl die Studie auf eine kleine Gruppe von dreißig Patienten begrenzt war und in einem einzelnen medizinischen Zentrum durchgeführt wurde, deuten die Ergebnisse auf einen vielversprechenden Weg in die Zukunft hin. Durch den Einsatz dieser kombinierten Technologien können sich Ärzte möglicherweise weniger auf Medikamente verlassen, um das Herz vor einem Scan zu verlangsamen, und stat mehr auf hochentwickelte Software setzen, um das Bild im Nachhinein zu bereinigen, was eine klarere Sicht auf die Herzgesundheit für eine schwer zu untersuchende Patientengruppe ermöglicht.