Abstract
Zielsetzung Standardprotokolle oder gewichtsadaptierte Injektionsprotokolle werden bei der Kontrastmittelgabe im Rahmen von CT Angiografien (CTA) der hohen Variabilität der patientenspezifischen Einflussgrößen nicht ausreichend gerecht. In unserer Studie sollen nichtinvasiv und einfach messbare Parameter identifiziert werden, aus denen mit Hilfe von künstlicher Intelligenz patientenindividuelle Injektionsprotokolle abgeleitet werden können.
Material und Methoden In diese laufende Studie wurden bisher 66 Patienten eingeschlossen bei denen eine CTA der Aorta (100 ml KM, Injektionsrate 5 ml/s) durchgeführt wurde. Bei allen Patienten wurden zahlreiche physiologische Parameter vor und während der CT Untersuchung gemessen: Alter, Geschlecht, Größe, Gewicht, BMI, Fettverteilung, Blutdruck, Herzfrequenz, Ancle-Brachial-Index (ABI), Sauerstoffsättigung, glomeruläre Filtrationsrate. Auf den CTA Bildern wurde standardisiert in jeweils drei Regionen in der Aorta die CT Zahl gemessen, wobei Werte zwischen 241 – 300 HU als optimale Kontrastierung definiert wurden. Anhand dieser Messwerte wurde für jede CTA festgelegt, ob die Kontrastierung zu gering, optimal oder zu hoch war. Mittels des k-Nearest-Neighbor-Algorithmus (KNN) werden die ähnlichsten Fälle auf Grundlage der patientenspezifischen Parameter bestimmt, um für einen unbekannten Patienten vorherzusagen welche Kontrastierung voraussichtlich erreicht wird. Die Validierung erfolgt mittels der Leave-one-Out-Methode.
Ergebnisse Durch eine Kombination der Parameter ABI, Körperlänge, BMI, Sauerstoffsättigung und Blutdruck konnte das Ergebnis der Kontrastierung mit einer Erfolgsrate von 78% vorhergesagt werden. Der positive Vorhersagewert der automatischen Klassifizierung zur korrekten Zuordnung zur Gruppe mit einer zu hohen CT Zahl in der Aorta war mit 86%.
Schlußfolgerungen Trotz der bisher noch relativ geringen Fallzahl konnte so dass es durch die Anwendung des Algorithmus insbesondere eine Reduktion der Kontrastmittelmenge ohne Verlust an Bildqualität möglich erscheint.
Material und Methoden In diese laufende Studie wurden bisher 66 Patienten eingeschlossen bei denen eine CTA der Aorta (100 ml KM, Injektionsrate 5 ml/s) durchgeführt wurde. Bei allen Patienten wurden zahlreiche physiologische Parameter vor und während der CT Untersuchung gemessen: Alter, Geschlecht, Größe, Gewicht, BMI, Fettverteilung, Blutdruck, Herzfrequenz, Ancle-Brachial-Index (ABI), Sauerstoffsättigung, glomeruläre Filtrationsrate. Auf den CTA Bildern wurde standardisiert in jeweils drei Regionen in der Aorta die CT Zahl gemessen, wobei Werte zwischen 241 – 300 HU als optimale Kontrastierung definiert wurden. Anhand dieser Messwerte wurde für jede CTA festgelegt, ob die Kontrastierung zu gering, optimal oder zu hoch war. Mittels des k-Nearest-Neighbor-Algorithmus (KNN) werden die ähnlichsten Fälle auf Grundlage der patientenspezifischen Parameter bestimmt, um für einen unbekannten Patienten vorherzusagen welche Kontrastierung voraussichtlich erreicht wird. Die Validierung erfolgt mittels der Leave-one-Out-Methode.
Ergebnisse Durch eine Kombination der Parameter ABI, Körperlänge, BMI, Sauerstoffsättigung und Blutdruck konnte das Ergebnis der Kontrastierung mit einer Erfolgsrate von 78% vorhergesagt werden. Der positive Vorhersagewert der automatischen Klassifizierung zur korrekten Zuordnung zur Gruppe mit einer zu hohen CT Zahl in der Aorta war mit 86%.
Schlußfolgerungen Trotz der bisher noch relativ geringen Fallzahl konnte so dass es durch die Anwendung des Algorithmus insbesondere eine Reduktion der Kontrastmittelmenge ohne Verlust an Bildqualität möglich erscheint.
Original language | German |
---|---|
Journal | Fortschr Röntgenstr |
Volume | 192 |
Pages (from-to) | 28 - 28 |
Number of pages | 1 |
DOIs | |
Publication status | Published - 2020 |
Research Areas and Centers
- Academic Focus: Biomedical Engineering
- Centers: Center for Artificial Intelligence Luebeck (ZKIL)
DFG Research Classification Scheme
- 205-07 Medical Informatics and Medical Bioinformatics
- 205-30 Radiology, Nuclear Medicine, Radiation Therapy and Radiobiology
- 205-12 Cardiology, Angiology
- 205-32 Medical Physics, Biomedical Engineering