Abstract
Background Machine learning (ML) is considered an important technology for future data analysis
in health care.
Methods The inherently technology-driven fields of diagnostic radiology and nuclear medicine
will both benefit from ML in terms of image acquisition and reconstruction. Within
the next few years, this will lead to accelerated image acquisition, improved image
quality, a reduction of motion artifacts and – for PET imaging – reduced radiation
exposure and new approaches for attenuation correction. Furthermore, ML has the potential
to support decision making by a combined analysis of data derived from different modalities,
especially in oncology. In this context, we see great potential for ML in multiparametric
hybrid imaging and the development of imaging biomarkers.
Results and Conclusion In this review, we will describe the basics of ML, present approaches in hybrid imaging
of MRI, CT, and PET, and discuss the specific challenges associated with it and the
steps ahead to make ML a diagnostic and clinical tool in the future.
Key Points:
-
ML provides a viable clinical solution for the reconstruction, processing, and analysis
of hybrid imaging obtained from MRI, CT, and PET.
Zusammenfassung
Hintergrund Maschinelles Lernen (ML) gilt als eine wichtige Technologie für die zukünftige Datenanalyse
im Gesundheitswesen.
Methode Die inhärent technologiegetriebene diagnostische Radiologie und Nuklearmedizin werden
sowohl bei der Bildaufnahme als auch bei der Bildrekonstruktion von ML profitieren.
In den nächsten Jahren wird dies zu einer beschleunigten Bildaufnahme, einer verbesserten
Bildqualität, einer Reduzierung von Bewegungsartefakten und – für die PET-Bildgebung
– zu einer reduzierten Strahlenexposition und neuen Ansätzen zur Schwächungskorrektur
führen. Darüber hinaus hat ML das Potenzial, die Entscheidungsfindung durch eine kombinierte
Analyse von Daten aus verschiedenen Modalitäten, insbesondere im Bereich der Onkologie,
zu unterstützen. In diesem Zusammenhang sehen wir ein großes Potenzial für ML in der
multiparametrischen Hybrid-Bildgebung und der Entwicklung von bildgebenden Biomarkern.
Ergebnisse und Schlussfolgerung In diesem Review werden wir die Grundlagen von ML beschreiben, Ansätze in der hybriden
Bildgebung von MRT, CT und PET vorstellen und die damit verbundenen spezifischen Herausforderungen
und die kommenden Schritte diskutieren, um ML in Zukunft zu einem diagnostischen und
klinischen Werkzeug zu machen.
Kernaussagen:
Key words
machine learning - hybrid imaging - multiparametric imaging
