nach oben

Erschienen in:

08.02.2023 | Magnetresonanztomographie | Radiologie

Künstliche Intelligenz und Radiomics

Stellenwert in der kardialen MRT

verfasst von: Dr. Alexander Rau, Dr. Martin Soschynski, Dr. Jana Taron, PD Dr. Philipp Ruile, Prof. Dr. Christopher L. Schlett, Prof. Dr. Fabian Bamberg, Dr. Tobias Krauss

Erschienen in: Wiener klinisches Magazin | Ausgabe 1/2023

Einloggen, um Zugang zu erhalten

Zusammenfassung

Klinisches/methodisches Problem

Kardiale Erkrankungen sind weltweit die führende Todesursache. Viele Erkrankungen können gezielt behandelt werden, sobald eine valide Diagnose gestellt wurde. Die kardiale Magnetresonanztomographie (MRT) hat in der Abklärung zahlreicher kardialer Pathologien einen hohen Stellenwert. Jedoch sind sowohl die Bildakquisition als auch die Befundung und damit zusammenhängende sekundäre Bildauswertungen zeitaufwändig und komplex.

Radiologische Standardverfahren

In den internationalen Leitlinien etabliert sich die kardiale MRT zunehmend in der Evaluation der Herzfunktion und der Differenzialdiagnostik verschiedenster kardialer Erkrankungen.

Methodische Innovationen

Die kardiale MRT besitzt aufgrund der Aufnahmetechnik und der Befundung mit aufwändigen Sekundärmessungen eine eingeschränkte Reproduzierbarkeit. Techniken künstlicher Intelligenz (KI) und Radiomics bieten das Potenzial, die Akquisition, Befundung und Reproduzierbarkeit der kardialen MRT zu verbessern.

Leistungsfähigkeit

Studien zeigen, dass KI und Radiomics-Analysen die kardiale MRT hinsichtlich Bildakquisition, diagnostischer und prognostischer Wertigkeit verbessern können. Zudem konnten mit dieser Herangehensweise neue Biomarker identifiziert werden.

Bewertung und Empfehlung für die Praxis

In der Anwendung von KI in der kardialen MRT liegt großes Potenzial. Die aktuelle Datenlage ist in einigen Aspekten noch zu gering, vor allem liegen zu wenige prospektive und große multizentrische Studien vor. Dadurch sind die entwickelten Algorithmen häufig wissenschaftlich nicht ausreichend validiert und finden in der klinischen Routine noch keine Anwendung.

Vorheriger Artikel Panorama

Nächster Artikel Ein Kontrast zum täglichen Leben

Knuuti J, Wijns W, Saraste A et al (2020) 2019 ESC Guidelines for the diagnosis and management of chronic coronary syndromes. Eur Heart J 41:407–477. https://doi.org/10.1093/eurheartj/ehz425CrossRef

McDonagh TA, Metra M, Adamo M et al (2021) 2021 ESC guidelines for the diagnosis and treatment of acute and chronic heart failure. Eur Heart J 42:3599–3726. https://doi.org/10.1093/eurheartj/ehab368CrossRef

Petersen SE, Aung N, Sanghvi MM et al (2017) Reference ranges for cardiac structure and function using cardiovascular magnetic resonance (CMR) in Caucasians from the UK Biobank population cohort. J Cardiovasc Magn Reson 19:18. https://doi.org/10.1186/s12968-017-0327-9CrossRef

Choy G, Khalilzadeh O, Michalski M et al (2018) Current applications and future impact of machine learning in radiology. Radiology 288:318–328. https://doi.org/10.1148/radiol.2018171820CrossRef

Aerts HJWL, Velazquez ER, Leijenaar RTH et al (2014) Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun 5:4006. https://doi.org/10.1038/ncomms5006CrossRef

Hauptmann A, Arridge S, Lucka F et al (2019) Real-time cardiovascular MR with spatio-temporal artifact suppression using deep learning-proof of concept in congenital heart disease. Magn Reson Med 81:1143–1156. https://doi.org/10.1002/mrm.27480CrossRef

Blansit K, Retson T, Masutani E et al (2019) Deep learning-based prescription of cardiac MRI planes. Radiol Artif Intell 1:e180069. https://doi.org/10.1148/ryai.2019180069CrossRef

Schuppert C, von Krüchten R, Hirsch JG et al (2022) Whole-body magnetic resonance imaging in the large population-based German national cohort study: predictive capability of automated image quality assessment for protocol repetitions. Invest Radiol 57:478–487. https://doi.org/10.1097/RLI.0000000000000861CrossRef

Zhang N, Yang G, Gao Z et al (2019) Deep learning for diagnosis of chronic myocardial infarction on nonenhanced cardiac cine MRI. Radiology 291:606–617. https://doi.org/10.1148/radiol.2019182304CrossRef

10.

Xia Y, Ravikumar N, Greenwood JP et al (2021) Super-resolution of cardiac MR cine imaging using conditional GANs and unsupervised transfer learning. Med Image Anal 71:102037. https://doi.org/10.1016/j.media.2021.102037CrossRef

11.

Bernard O, Lalande A, Zotti C et al (2018) Deep learning techniques for automatic MRI cardiac multi-structures segmentation and diagnosis: Is the problem solved? IEEE Trans Med Imaging 37:2514–2525. https://doi.org/10.1109/TMI.2018.2837502CrossRef

12.

Bai W, Sinclair M, Tarroni G et al (2018) Automated cardiovascular magnetic resonance image analysis with fully convolutional networks. J Cardiovasc Magn Reson 20:65. https://doi.org/10.1186/s12968-018-0471-xCrossRef

13.

Davies RH, Augusto JB, Bhuva A et al (2022) Precision measurement of cardiac structure and function in cardiovascular magnetic resonance using machine learning. J Cardiovasc Magn Reson 24:16. https://doi.org/10.1186/s12968-022-00846-4CrossRef

14.

Zheng Q, Delingette H, Duchateau N, Ayache N (2018) 3‑D consistent and robust segmentation of cardiac images by deep learning with spatial propagation. IEEE Trans Med Imaging 37:2137–2148. https://doi.org/10.1109/TMI.2018.2820742CrossRef

15.

Chen D, Bhopalwala H, Dewaswala N et al (2022) Deep neural network for cardiac magnetic resonance image segmentation. J Imaging. https://doi.org/10.3390/jimaging8050149CrossRef

16.

Peng P, Lekadir K, Gooya A et al (2016) A review of heart chamber segmentation for structural and functional analysis using cardiac magnetic resonance imaging. Magma 29:155–195. https://doi.org/10.1007/s10334-015-0521-4CrossRef

17.

Winther HB, Hundt C, Schmidt B et al (2018) ν‑net: deep learning for generalized biventricular mass and function parameters using multicenter cardiac MRI data. JACC Cardiovasc Imaging 11:1036–1038. https://doi.org/10.1016/j.jcmg.2017.11.013CrossRef

18.

Fahmy AS, Rausch J, Neisius U et al (2018) Automated cardiac MR scar quantification in hypertrophic cardiomyopathy using deep convolutional neural networks. JACC Cardiovasc Imaging 11:1917–1918. https://doi.org/10.1016/j.jcmg.2018.04.030CrossRef

19.

Fahmy AS, Rowin EJ, Chan RH et al (2021) Improved quantification of myocardium scar in late gadolinium enhancement images: deep learning based image fusion approach. J Magn Reson Imaging 54:303–312. https://doi.org/10.1002/jmri.27555CrossRef

20.

Neisius U, El-Rewaidy H, Nakamori S et al (2019) Radiomic analysis of myocardial native T1 imaging discriminates between hypertensive heart disease and hypertrophic cardiomyopathy. JACC Cardiovasc Imaging 12:1946–1954. https://doi.org/10.1016/j.jcmg.2018.11.024CrossRef

21.

Schofield R, Ganeshan B, Kozor R et al (2016) CMR myocardial texture analysis tracks different etiologies of left ventricular hypertrophy. J Cardiovasc Magn Reson 18:O82. https://doi.org/10.1186/1532-429X-18-S1-O82CrossRef

22.

Baessler B, Luecke C, Lurz J et al (2019) Cardiac MRI and texture analysis of myocardial T1 and T2 maps in myocarditis with acute versus chronic symptoms of heart failure. Radiology 292:608–617. https://doi.org/10.1148/radiol.2019190101CrossRef

23.

Chen B‑H, An D‑A, He J et al (2021) Myocardial extracellular volume fraction radiomics analysis for differentiation of reversible versus irreversible myocardial damage and prediction of left ventricular adverse remodeling after ST-elevation myocardial infarction. Eur Radiol 31:504–514. https://doi.org/10.1007/s00330-020-07117-9CrossRef

24.

Dawes TJW, de Marvao A, Shi W et al (2017) Machine learning of three-dimensional right ventricular motion enables outcome prediction in pulmonary hypertension: a cardiac MR imaging study. Radiology 283:381–390. https://doi.org/10.1148/radiol.2016161315CrossRef

25.

Kwak S, Everett RJ, Treibel TA et al (2021) Markers of myocardial damage predict mortality in patients with aortic stenosis. J Am Coll Cardiol 78:545–558. https://doi.org/10.1016/j.jacc.2021.05.047CrossRef

26.

Krebs J, Mansi T, Delingette H et al (2021) CinE caRdiac magneTic resonAnce to predIct veNTricular arrhYthmia (CERTAINTY). Sci Rep 11:22683. https://doi.org/10.1038/s41598-021-02111-7CrossRef

27.

Raisi-Estabragh Z, Jaggi A, Gkontra P et al (2021) Cardiac magnetic resonance radiomics reveal differential impact of sex, age, and vascular risk factors on cardiac structure and myocardial tissue. Front Cardiovasc Med 8:763361. https://doi.org/10.3389/fcvm.2021.763361CrossRef

28.

Ponsiglione A, Stanzione A, Cuocolo R et al (2022) Cardiac CT and MRI radiomics: systematic review of the literature and radiomics quality score assessment. Eur Radiol 32:2629–2638. https://doi.org/10.1007/s00330-021-08375-xCrossRef

29.

Bamberg F, Kauczor H‑U, Weckbach S et al (2015) Whole-body MR imaging in the German national cohort: rationale, design, and technical background. Radiology 277:206–220. https://doi.org/10.1148/radiol.2015142272CrossRef

30.

Puyol-Anton E, Ruijsink B, Gerber B et al (2019) Regional multi-view learning for cardiac motion analysis: application to identification of dilated cardiomyopathy patients. IEEE Trans Biomed Eng 66:956–966. https://doi.org/10.1109/TBME.2018.2865669CrossRef

Titel: Künstliche Intelligenz und Radiomics
Stellenwert in der kardialen MRT
verfasst von: Dr. Alexander Rau
Dr. Martin Soschynski
Dr. Jana Taron
PD Dr. Philipp Ruile
Prof. Dr. Christopher L. Schlett
Prof. Dr. Fabian Bamberg
Dr. Tobias Krauss
Publikationsdatum: 08.02.2023
Verlag: Springer Vienna
Schlagwörter: Magnetresonanztomographie
Pathologie
Innere Medizin
Erschienen in: Wiener klinisches Magazin / Ausgabe 1/2023
Print ISSN: 1869-1757
Elektronische ISSN: 1613-7817
DOI: https://doi.org/10.1007/s00740-022-00474-9

Spitzenchirurg und mehrfacher Wegbereiter

aktuell

Hoffen auf die Erleuchtung

Editorial

Ein Kontrast zum täglichen Leben

aktuell

Handlungsalgorithmus: Fokussierte Sonographie und Echokardiographie

Notfallmedizin

Klonale Hämatopoese und solide Neoplasien

Hämatologie

Künstliche Intelligenz als Lösung des PathologInnenmangels?

Pathologie

www.gesundheitswirtschaft.at (Link öffnet in neuem Fenster)

Mit den beiden Medien ÖKZ und QUALITAS unterstützt Gesundheitswirtschaft.at das Gesundheitssystem durch kritische Analysen und Information, schafft Interesse für notwendige Veränderungen und fördert Initiative. Die ÖKZ ist seit 1960 das bekannteste Printmedium für Führungskräfte und Entscheidungsträger im österreichischen Gesundheitssystem. Die QUALITAS verbindet seit 2002 die deutschsprachigen Experten und Praktiker im Thema Qualität in Gesundheitseinrichtungen.

zur Seite

www.pains.at (Link öffnet in neuem Fenster)

P.A.I.N.S. bietet vielfältige und aktuelle Inhalte in den Bereichen Palliativmedizin, Anästhesie, Intensivmedizin, Notfallmedizin und Schmerzmedizin. Die Informationsplattform legt einen besonderen Schwerpunkt auf hochwertige Fortbildung und bietet Updates und ausgewählte Highlight-Beiträge aus Schmerznachrichten und Anästhesie Nachrichten.

zur Seite

Springer Medizin Österreich

Künstliche Intelligenz und Radiomics

Stellenwert in der kardialen MRT

Zusammenfassung

Klinisches/methodisches Problem

Radiologische Standardverfahren

Methodische Innovationen

Leistungsfähigkeit

Bewertung und Empfehlung für die Praxis

Weitere Artikel der Ausgabe 1/2023

Spitzenchirurg und mehrfacher Wegbereiter

Hoffen auf die Erleuchtung

Ein Kontrast zum täglichen Leben

Handlungsalgorithmus: Fokussierte Sonographie und Echokardiographie

Klonale Hämatopoese und solide Neoplasien

Künstliche Intelligenz als Lösung des PathologInnenmangels?

www.gesundheitswirtschaft.at (Link öffnet in neuem Fenster)

www.pains.at (Link öffnet in neuem Fenster)

Springer Medizin Österreich

Zusammenfassung

Klinisches/methodisches Problem

Radiologische Standardverfahren

Methodische Innovationen

Leistungsfähigkeit

Bewertung und Empfehlung für die Praxis

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten