Deep Learning Reconstruction for Low-Dose Dual-Energy CT Pulmonary Angiography: Optimization of Energy Levels and Assessment of Subsegmental Arteries

Lungenembolie, ein Verschluss der Blutgefäße in der Lunge, ist ein medizinischer Notfall, der eine schnelle und präzise Diagnose erfordert. Der derzeitige Goldstandard für das Aufspüren dieser Blockaden ist eine spezielle Art von Röntgenaufnahme, die CT-Pulmonalangiographie. Dieses Verfahren beinhaltet die Injektion eines flüssigen Farbstoffs, bekannt als Kontrastmittel, in eine Vene, damit die Blutgefäße auf dem Scanner hell aufleuchten, was es den Ärzten ermöglicht zu sehen, ob ein Gerinnsel vorliegt. Dieses lebensrettende Werkzeug bringt jedoch einen Preis mit sich. Die Strahlung, die für die Bilder benötigt wird, kann sich im Laufe des Lebens eines Patienten ansammeln, und das große Volumen des benötigten Farbstoffs kann die Nieren belasten, insbesondere bei älteren Erwachsenen oder Menschen mit bestehenden gesundheitlichen Problemen. Seit Jahren suchen Ärzte nach einem Weg, die gleichen klaren Bilder zu erhalten, während sie weniger Strahlung und weniger Farbstoff verwenden – ein Ziel, das oft als „Double-Low“-Ansatz bezeichnet wird.

Die Herausforderung liegt in der Physik des Scans. Um den Farbstoff deutlicher gegen das Hintergrundgewebe hervorzuheben, können Wissenschaftler den Scanner so einstellen, dass er niedrigere Energieniveaus verwendet. Stellen Sie sich das wie das Herunterdrehen der Helligkeit einer Taschenlampe vor, um eine bestimmte Farbe hervorzuheben; in diesem Fall lässt eine niedrigere Energie das jodbasierte Kontrastmittel viel heller erscheinen. Aber es gibt einen Haken: Das Senken der Energie macht das Bild auch körniger und verrauschter, wie das Rauschen auf einem alten Fernseher, was genau die Gerinnsel verdecken kann, die die Ärzte zu finden versuchen. Traditionelle Methoden zur Beseitigung dieser Körnigkeit führen oft dazu, dass feine Details verschwimmen, wodurch kleine Blutgefäße unscharf aussehen. Vor kurzem ist eine neue Art der Computerverarbeitung namens Deep Learning (tiefes Lernen) entstanden. Im Gegensatz zu älteren Methoden, die das Bild einfach glätten, lernt diese Technologie aus riesigen Mengen an qualitativ hochwertigen Daten, um das Rauschen zu entfernen und gleichzeitig die scharfen Kanten der Anatomie intakt zu halten.

Ein Team von Forschern am Affiliated Hospital der Xuzhou Medical University setzte sich zum Ziel zu testen, ob die Kombination dieser Niedrigenergiemethoden mit dieser neuen Deep-Learning-Technologie das Problem lösen könnte. Sie wollten sehen, ob sie einen Scan erstellen könnten, der deutlich weniger Strahlung und weniger Kontrastmittel verwendet und dennoch eine kristallklare Sicht auf die kleinsten Blutgefäße in der Lunge bietet, wo Gerinnsel am gefährlichsten und am schwersten zu sehen sind. Sie konzentrierten sich in ihrer Studie auf Patienten mit Verdacht auf Lungenembolie und scannten diese mit einem Dual-Energy-CT-Gerät, das in der Lage ist, Daten gleichzeitig auf verschiedenen Energieniveaus zu erfassen.

Die Forscher scannten 33 Patienten mit einem Protokoll, das körperfreundlich konzipiert war, indem sie eine viel geringere Menge an Farbstoff als üblich injizierten – durchschnittlich etwa 26 Milliliter – und die Strahlendosis niedrig hielten. Sie rekonstruierten die Bilder anschließend mit verschiedenen Computereinstellungen. Sie testeten verschiedene Energieniveaus, die von sehr niedrig bis Standard reichten, und wandten zwei verschiedene Arten der Bildbereinigung an: eine traditionelle statistische Methode und die neue Deep-Learning-Methode, die sie in mittlerer und hoher Intensität testeten. Das Ziel war es, die perfekte Kombination zu finden, die das Rauschen des Niedrigenergie-Scans neutralisiert, ohne die empfindlichen Details der peripheren Lungenarterien zu verwischen.

Die Ergebnisse wiesen auf einen klaren Gewinner hin. Die besten Bilder entstanden durch die Verwendung der niedrigsten verfügbaren Energieeinstellung, 40 Kiloelektronenvolt, kombiniert mit der hochintensiven Deep-Learning-Rekonstruktion. Diese spezifische Kombination erzeugte Bilder, in denen die Blutgefäße unglaublich hell und deutlich waren, während das Hintergrundrauschen fast vollständig verschwunden war. Als die Forscher die Klarheit der Bilder maßen, übertraf diese Methode den heute in Krankenhäusern üblichen Standardansatz. Die Standardmethode, die ein höheres Energieniveau und eine traditionelle Reinigung verwendet, hatte Schwierigkeiten, die kleinsten Gefäße mit ders-elben Schärfe darzustellen. Im Gegensatz dazu machte die neue Niedrigenergie-Deep-Learning-Methode die winzigen, subsegmentalen Arterien genauso klar wie die Standardmethode, aber mit einem viel höheren Kontrast zwischen dem Blut und dem umliegenden Gewebe.

Zwei erfahrene Radiologen überprüften die Bilder, ohne zu wissen, mit welcher Methode sie erstellt worden waren. Sie bewerteten die Qualität der neuen Methode als exzellent und vergaben die höchstmögliche Punktzahl. Sie fanden, dass die Bilder scharf genug waren, um Gerinnsel selbst in den am weitesten entfernten Ästen der Blutversorgung der Lunge sicher zu identifizieren. Entscheidend war, dass sie keinen Unterschied in der diagnostischen Qualität zwischen der neuen Niedrigdosis-Methode und der traditionellen Hochdosis-Methode feststellten. Dies bedeutet, dass Ärzte potenziell zu diesem neuen Protokoll wechseln könnten und dennoch genaue Diagnosen stellen können, aber mit einer erheblichen Reduzierung der Belastung für den Patienten.

Die Studie hob auch hervor, was nicht so gut funktionierte. Als die Forscher die Niedrigenergie-Einstellung mit der traditionellen Reinigungsmethode kombinierten, waren die Bilder zu verrauscht, um nutzbar zu sein, was bestätigte, dass die alte Technologie die extreme Klarheit des Niedrigenergie-Scans nicht bewältigen konnte. Ebenso war die Verwendung der Deep-Learning-Methode in mittlerer Intensität nicht ganz so effektiv wie die Hochintensitätsversion. Die Forschung legt nahe, dass der Deep-Learning-Algorithmus mit hoher Intensität essenziell ist, um die Vorteile des Niedrigenergie-Scannings zu erschließen.

Diese Arbeit zeigt, dass es möglich ist, die Menge an Strahlung und Kontrastmittel, die ein Patient erhält, drastisch zu reduzieren, ohne die Fähigkeit zu opfern, kleine, gefährliche Gerinnsel in der Lunge zu erkennen. Durch das Finden des richtigen Gleichgewichts zwischen Energieniveaus und fortschrittlicher Computerverarbeitung haben die Forscher einen Weg aufgezeigt, wie Krankenhäuser die Versorgung in Zukunft verbessern können, um sicherzustellen, dass die Werkzeuge, die Leben retten, dem Patienten nicht unbeabsichtigt durch übermäßige Exposition Schaden zufügen.