Verwendung von Deep Learning zur Senkung des Strahlenbelastungsrisikos bei der CT-Bildgebung

Da Computertomografien (CTs) 3D-Bilder von Organen, Knochen und Blutgefäßen erzeugen, sind sie für Diagnosen weit wertvoller als einfache Röntgenaufnahmen. Dieser zusätzliche diagnostische Wert ist jedoch mit einem Nachteil verbunden: der höheren Belastung durch potenziell schädliche Strahlung. Die in einem CT erzeugten 3D-Bilder werden mithilfe von Software aus 2D-Röntgenbildern zusammengesetzt, die als Schnittbilder dienen. Daher wird bei einem einzigen CT des Brustkorbs durchschnittlich eine effektive Strahlendosis von 7 Millisievert (mSv) verwendet. Das ist 350-mal so viel wie die 0.02 mSv, die bei einem Röntgenbild des Brustkorbs verwendet werden. [1] Die Strahlenbelastung korreliert mit dem Krebsrisiko; in Richtlinien wird die Strahlendosis bei CTs von Kindern auf 1,5 mSv begrenzt.

Medizinische Forscher möchten die Strahlenbelastung begrenzen und Ärzten zugleich die benötigte Bildklarheit bieten. Ein vielversprechender Ansatz ist der Einsatz von Ultraniedrigdosis-CTs, bei denen die durchschnittliche, effektive Strahlendosis für eine Aufnahme des Brustkorbs ca. 0,13 mSv beträgt. [1] Der Hauptnachteil von Ultraniedrigdosis-CTs ist ihre relativ niedrige Auflösung und das relativ hohe Rauschen. Dies kann es Ärzten erschweren, Organe, Fett und interstitielles Bindegewebe zu sehen (Abbildung 1).

Dr. Ryohei Nakayama von der Ritsumeikan University  hat ein MATLAB^®-Softwaresystem entwickelt, das auf Regression mithilfe gefalteter neuronaler Netze (CNNs) basiert. Es erzeugt aus Ultraniedrigdosis-CTs Bilder, deren Qualität mit der eines Normaldosis-CTs vergleichbar ist. Das System bietet Ärzten vergleichbar gute Diagnoseinformationen und reduziert die Strahlenbelastung der Patienten um 95 %.

Superauflösung und CNNs

Zu Anfang der Forschung an Möglichkeiten, die Bildqualität von Niedrigdosis-CTs zu erhöhen, wurde eine Superauflösungstechnik verwendet, für die CT-Bilder mit MATLAB in kleine lokale Regionen aufgeteilt und dann Niedrigdosis- und Normaldosis-Regionen einander zugeordnet werden, um ein Bilderverzeichnis zu erstellen. Wenn ein neues Niedrigdosis-Bild analysiert werden soll, findet das System eine kleine Niedrigdosis-Region im Verzeichnis und zeigt dem Anwender den entsprechenden Normaldosis-Bereich an. 

Wie effektiv diese Technik ist, hängt davon ab, ob ein riesiges Verzeichnis verfügbar ist, aus dem Vergleiche entnommen werden können. Ein größeres Verzeichnis bedeutet jedoch auch höhere Ressourcenanforderungen an das System und vor allem eine längere Suchzeit für kleine Bilder. Ein CNN benötigt zwar Trainingszeit, wird ihm aber ein neues Bild vorgelegt wird, erzeugt es viel schneller Ergebnisse als der Superauflösungs-Ansatz. Beispielsweise kann ein trainiertes CNN innerhalb von circa 20 Minuten Ergebnisse für einen einzelnen Patienten erzeugen, während die Superauflösung für vergleichbare Ergebnisse circa zwei Stunden brauchte.

Die Erforschung der CNN-Regression sollte den Nachteilen der Superauflösung zu begegnen; es gibt jedoch einige Fälle, in denen die Leistung der Superauflösungstechnik sehr gut ist. Wenn Muster in einem Bild, aus dem eine Diagnose erstellt werden soll, Mustern in einem der Bilder im Verzeichnis sehr ähnlich sind, erbringt der Superauflösungsansatz beispielsweise sehr genaue Ergebnisse. Daher ist die Erstellung eines hybriden Systems geplant, das die CNN-Regression mit der Superauflösung kombiniert.

Beziehen von Bildern und Konstruieren der CNNs

Um die Klarheit von Ultraniedrigdosis-CTs des Brustkorbs zu verbessern, wurde ein Ansatz mit zwei CNNs angewendet, von denen eines den Lungenbereich der CT-Bilder verarbeitet und das andere den Rest (Abbildung 2). Der Bilddatensatz, mit dem die CNNs trainiert wurden, wurde von Forschern der Mie University bereitgestellt. Er besteht aus 12 Bildpaaren, von dem jedes ein Normaldosis-CT und ein Ultraniedrigdosis-CT desselben Gewebes umfasst. (Da die Patienten bei der Aufnahme des zweiten Bildes zusätzlicher Strahlung ausgesetzt sind, musste die Studie auf eine relativ kleine Grundmenge von Versuchspersonen beschränkt werden.) Jedes Bild in der Studie bestand aus 512 x 512 Pixeln und jedes CT bestand aus 250 Bildern (Schichten).

Die anfängliche Struktur des CNN baute auf den Ergebnissen der früheren Arbeit zur Superauflösung auf. In dieser Studie wurde festgestellt, dass eine lokale Region von 7 x 7 am besten funktionierte. Daher wurde in diesem Deep-Learning-Modell mit dieser Größe begonnen. Danach wurde mit lokalen Regionen in Größen zwischen 5 x 5 und 128 x 128 experimentiert und überprüft, wie aussagekräftig die jeweils erzeugten Ergebnisse waren. Für den Lungenbereich fiel die Entscheidung zugunsten von 32 x 32 und 64 x 64 für den Rest. Außerdem wurden in MATLAB ca. 128 unterschiedliche CNN-Varianten bewertet. Es folgte die Erprobung von unterschiedlichen Eingabegrößen und Filtern sowie verschiedenen Anzahlen von Faltungsebenen.

Trainieren und Überprüfen der CNNs

Mithilfe der Kreuzvalidierung wurde das Modell mit Bildern von 11 Patienten trainiert und mit Bildern vom verbleibenden Patienten getestet. Diese 12 Schritte wurden mit unterschiedlichen Trainingsdatensätzen und Testbildern wiederholt. Um diesen Prozess zu beschleunigen, wurde das Modell mithilfe der Parallel Computing Toolbox™ parallel auf mehreren GPUs der NVIDIA^® GeForce-Serie trainiert. Zur Überwachung des Trainingsfortschritts wurde Genauigkeit und Verlust mithilfe der Überwachungsvisualisierungs-Option in der Deep Learning Toolbox™ (Abbildung 3) dargestellt.

Die Ergebnisse für jedes Ultraniedrigdosis-Testbild wurden anhand des entsprechenden Normaldosis-Bildes bewertet. Hierfür wurden mit RMS-Ebenen (Root Mean Square) und dem SSIM-Index (Structural Similarity Index) Bildqualitätsmetriken gemessen. 

Weitere Schritte

Es ist geplant, das CNN-basierte System in einer Klinik in einer realen Umgebung einzusetzen. Außerdem werden Möglichkeiten untersucht, das System auf einem PAC-Server (Picture Archiving and Communication) bereitzustellen, auf dem medizinische Bilder komfortabel gespeichert und genutzt werden können. Einer der vielen Vorteile der Entwicklung von Software für die medizinische Bildgebung in MATLAB liegt darin, dass die Umgebung es erleichtert, eine Benutzeroberfläche für die zugrunde liegenden Algorithmen zu erstellen und das gesamte Paket dann an Ärzte zu verteilen. Diesen Vorgang hatte Dr. Nakayama bereits für andere MATLAB-basierte Systeme durchgeführt, die er erstellt hat. 

Die Ritsumeikan University ist eine der über 1000 Universitäten weltweit, die campusweiten Zugriff auf MATLAB und Simulink bieten. Mit der TAH-Lizenz (Total Academic Headcount) können Forschende, Lehrende und Studierende auf eine gemeinsame Produktkonfiguration auf dem neuesten Release-Level zugreifen und sie überall verwenden – in Seminarräumen, zu Hause, im Labor oder bei Forschungseinsätzen.