KI-gestützte Bildentrauschung von skelettszintigrafischen Daten basierend auf Noise-2-Void

Nuklearmedizin - NuclearMedicine, vol. 61, pp. 185

Abstract

Ziel/Aim Skelettszintigrafische Rohdaten haben intrisisch ein hohes Rauschen, welches z.B. mittels Gauss-Filterung zur visuellen Befundung reduziert werden kann. Die Gaussfilterung führt naturgemäß zur Weichzeichnung harter Kanten. Ziel war die Entwicklung eines auf Noise2Void basierenden KI Algorithmus zur Entrauschung der Daten ohne die damit verbundene Weichzeichnung harter Kanten. Methodik/Methods An 1186 Trainingsdatensätze aus planaren Ganzkörperskelettszintigrammen, aufgenommen an einer Symbia-T Doppelkopfkamera (Siemens Healthineers), wurde ein Convolutional Neural Network basierend auf dem Noise2Void (N2V) verfahren trainiert. N2V trainiert dabei direkt auf dem zu entrauschenden Datenbestand ohne sauberes Bild, was es in der Ganzkörperskelettszintigrafie so ja nicht gibt. 20 Ganzkörperskelettszintigramme wurden dann zur Evaluation jeweils mittels 9 mm Gaussfilter und dem KI-basierten Algorithmus entrauscht. Zur Evaluation des Einflusses der Verfahren auf die Daten wurden 113 repräsentative Linineprofile durch die Rippen – stellvertretend für den gesamten Datensatz – gelegt und normiert. Peak-to-valley Differenzen wurden sowohl für die Rippen und die angrenzenden Zwischenrippenräume als auch für die erste Ableitung als Maß der Kantenschärfe berechnet. Ergebnisse/Results Die peak-to-valley Differenz von 435 Rippen zu Zwischenrippenräumen ist KI-basiert mit 0,508±0,155 (a.U.) signifikant höher als der Gaussfilter Ansatz mit 0,369±0,125 (a.U.) (p<0,01). Bzgl. der Kantenschärfe ist die relative Differenz zwischen KI-basiertem Ansatz 0,290±0,093 (a.U.) (N2V) und Gaussfilter Ansatz mit 0,192±0,062 (a.U.) (p<0,00001) noch etwas größer. Auch visuell weisen die KI-basierten Daten eine höhere Realitätsnähe bei weniger Rauschen auf. Schlussfolgerungen/Conclusions Mittels des N2V Algorithmus können KI basiert skelettszintigrafische Daten ohne Goldstandard entrauscht werden. Neben visuell realitätsnäheren Abbildungen lassen sich quantitativ hochsignifikant bessere peak-to-valley Differenzen von Rippen zu Zwischenrippenräumen und den Kantenschärfen der Rippen für den KI-Ansatz nachweisen. Publication History Article published online: 14 April 2022 © 2022. Thieme. All rights reserved. Georg Thieme Verlag KG Rüdigerstraße 14, 70469 Stuttgart, Germany

Authors 2

1. Dajana Schäfer Aachen

   RWTH Aachen University

   Affiliation as printed

   RWTH Aachen, Aachen

2. Wolfgang M. Schäfer
   Affiliation as printed

   Klinik für Nuklearmedizin, Mönchengladbach