Subscribe to RSS
DOI: 10.1055/a-2139-2455
Künstliche Intelligenz in der kardialen Bildgebung
Artificial Intelligence for Cardiac Imaging
Zusammenfassung
Verfahren der künstlichen Intelligenz (KI) haben in der kardialen Bildgebung große Relevanz erlangt. In dieser Kurzübersicht werden die Anwendungsbereiche von KI in der Echokardiografie, Magnetresonanztomografie (MRT) und Computertomografie (CT) beleuchtet. Die Analyse des ventrikulären Volumens und dessen Funktion werden durch KI in der Echokardiografie und in der MRT erweitert und verbessert. In der CT ermöglicht die KI die automatische Quantifizierung der koronaren Kalklast, Risikoklassifizierung und Prognose des Behandlungserfolgs. KI verringert die Kluft zwischen Experten und Anfängern, da sie zuverlässige und reproduzierbare Analysen durchführt bei gesteigerter Effizienz. Neue Konzepte wie das föderierte Lernen, das multizentrisches verteiltes Trainieren ermöglicht, sowie die multimodale KI, die automatisiert Text- und Bildeingaben miteinander verknüpft, werden voraussichtlich die nächsten größeren Meilensteine darstellen.
Abstract
Artificial intelligence (AI) methods have gained great relevance in cardiac imaging. This brief overview highlights the application areas of AI in echocardiography, cardiac magnetic resonance imaging (MRI) and cardiac computed tomography (CT). The analysis of the ventricular volume and its function will be expanded and improved by AI in echocardiography and MRI. In the CT, the AI enables the automatic quantification of the coronary calcification, risk classification and prognosis of the treatment success. AI narrows the gap between experts and novices by performing reliable and reproducible analysis with increased efficiency. New concepts such as federated learning, which enables multi-centric distributed training, and multi-modal AI, which automatically links text and image inputs, will probably represent the next major milestones in the field.
Verfahren der künstlichen Intelligenz (KI) haben in der medizinischen Bildanalyse große Fortschritte ermöglicht und sind bereits in den medizinischen Alltag integriert. Die KI unterstützt bei der Bildrekonstruktion, der Artefaktreduzierung sowie bei manuellen, zeitaufwendigen Tätigkeiten wie der Segmentierung. Darüber hinaus werden Verfahren zur Prädiktion des Behandlungserfolgs und zur Therapieunterstützung immer denkbarer.
Publication History
Article published online:
20 November 2023
© 2023. Thieme. All rights reserved.
Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany
-
Literatur
- 1 Friedrich S, Groß S, König I. et al. Applications of AI/ML approaches in cardiovascular medicine: A systematic review with recommendations. Eur Heart J Digit Health 2021; 2: 424-436 DOI: 10.1093/ehjdh/ztab054. (PMID: 36713608)
- 2 Zhou J, Du M, Chang S. et al. Artificial intelligence in echocardiography: detection, functional evaluation, and disease diagnosis. Cardiovasc Ultrasound 2021; 19: 29 DOI: 10.1186/s12947-021-00261-2. (PMID: 34416899)
- 3 Gandhi S, Mosleh W, Shen J. et al. Automation, machine learning, and artificial intelligence in echocardiography: A brave new world. Echocardiography 2018; 35: 1402-1418 DOI: 10.1111/echo.14086. (PMID: 29974498)
- 4 Davis A, Billick K, Horton K. et al. Artificial Intelligence and Echocardiography: A Primer for Cardiac Sonographers. J Am Soc Echocardiogr 2020; 33: 1061-1066 DOI: 10.1016/j.echo.2020.04.025. (PMID: 32536431)
- 5 Salte IM, Østvik A, Smistad E. et al. Artificial Intelligence for Automatic Measurement of Left Ventricular Strain in Echocardiography. JACC Cardiovasc Imaging 2021; 14: 1918-1928 DOI: 10.1016/j.jcmg.2021.04.018. (PMID: 34147442)
- 6 Laser KT, Karabiyik A, Körperich H. et al. Validation and Reference Values for Three-Dimensional Echocardiographic Right Ventricular Volumetry in Children: A Multicenter Study. J Am Soc Echocardiogr 2018; 31: 1050-1063 DOI: 10.1016/j.echo.2018.03.010. (PMID: 29908725)
- 7 Jin CN, Salgo IS, Schneider RJ. et al. Using Anatomic Intelligence to Localize Mitral Valve Prolapse on Three-Dimensional Echocardiography. J Am Soc Echocardiogr 2016; 29: 938-945 DOI: 10.1016/j.echo.2016.07.002. (PMID: 27545445)
- 8 van den Oever LB, Vonder M, van Assen M. et al. Application of artificial intelligence in cardiac CT: From basics to clinical practice. Eur J Radiol 2020; 128: 108969 DOI: 10.1016/j.ejrad.2020.108969. (PMID: 32361380)
- 9 Stocker TJ, Deseive S, Leipsic J. et al. Reduction in radiation exposure in cardiovascular computed tomography imaging: results from the PROspective multicenter registry on radiaTion dose Estimates of cardiac CT angIOgraphy iN daily practice in 2017 (PROTECTION VI). Eur Heart J 2018; 39: 3715-3723 DOI: 10.1093/eurheartj/ehy546. (PMID: 30165629)
- 10 Martin SS, van Assen M, Rapaka S. et al. Evaluation of a Deep Learning-Based Automated CT Coronary Artery Calcium Scoring Algorithm. JACC Cardiovasc Imaging 2020; 13: 524-526 DOI: 10.1016/j.jcmg.2019.09.015. (PMID: 31734200)
- 11 Vingiani V, Abadia AF, Schoepf UJ. et al. Individualized coronary calcium scoring at any tube voltage using a kV-independent reconstruction algorithm. Eur Radiol 2020; 30: 5834-5840 DOI: 10.1007/s00330-020-06951-1. (PMID: 32468107)
- 12 Tesche C, De Cecco CN, Albrecht MH. et al. Coronary CT Angiography-derived Fractional Flow Reserve. Radiology 2017; 285: 17-33 DOI: 10.1148/radiol.2017162641. (PMID: 28926310)
- 13 Douglas PS, De Bruyne B, Pontone G. et al. PLATFORM Investigators. 1-Year Outcomes of FFRCT-Guided Care in Patients With Suspected Coronary Disease: The PLATFORM Study. J Am Coll Cardiol 2016; 68: 435-445 DOI: 10.1016/j.jacc.2016.05.057.
- 14 Vermersch M, Longère B, Coisne A. et al. Compressed sensing real-time cine imaging for assessment of ventricular function, volumes and mass in clinical practice. Eur Radiol 2020; 30: 609-619 DOI: 10.1007/s00330-019-06341-2. (PMID: 31372784)
- 15 Koehler S, Hussain T, Hussain H, Young D, Sarikouch S, Pickardt T, Greil G, Engelhardt S. Self-supervised Motion Descriptor for Cardiac Phase Detection in 4D CMR Based on Discrete Vector Field Estimations. In: Camara O, Puyol-Antón E, Qin C, Sermesant M, Suinesiaputra A, Wang S, Young A. Statistical Atlases and Computational Models of the Heart. Regular and CMRxMotion Challenge Papers. STACOM 2022. Lecture Notes in Computer Science, vol 13593. Berlin: Springer; 2022. DOI: 10.1007/978-3-031-23443-9_7
- 16 Bai W, Sinclair M, Tarroni G. et al. Automated cardiovascular magnetic resonance image analysis with fully convolutional networks. J Cardiovasc Magn Reson 2018; 20: 65 DOI: 10.1186/s12968-018-0471-x. (PMID: 30217194)
- 17 Dawes TJW, de Marvao A, Shi W. et al. Machine Learning of Three-dimensional Right Ventricular Motion Enables Outcome Prediction in Pulmonary Hypertension: A Cardiac MR Imaging Study. Radiology 2017; 283: 381-390 DOI: 10.1148/radiol.2016161315. (PMID: 28092203)
- 18 Wang J, Yang F, Liu W. et al. Radiomic Analysis of Native T1 Mapping Images Discriminates Between MYH7 and MYBPC3-Related Hypertrophic Cardiomyopathy. J Magn Reson Imaging 2020; 52: 1714-1721 DOI: 10.1002/jmri.27209. (PMID: 32525266)
- 19 Zhang N, Yang G, Gao Z. et al. Deep Learning for Diagnosis of Chronic Myocardial Infarction on Nonenhanced Cardiac Cine MRI. Radiology 2019; 291: 606-617 DOI: 10.1148/radiol.2019182304. (PMID: 31038407)