Evaluation künstlicher Intelligenz zur Optimierung angiographischer Interventionsverfahren: Einfluss auf die Bildqualität und diagnostische Aussagekraft in der Cone-Beam-Computertomographie

Abstract

Die Cone-Beam-Computertomographie (CBCT) hat sich insbesondere bei komplexen Gefäßeingriffen wie TIPSS-Prozeduren (Transjugulärer Intrahepatischer Portosystemischer Shunt) als wesentliche Modalität in der interventionellen Radiologie etabliert. Trotz ihrer Vorteile ist die CBCT aufgrund von Bildrauschen, Bewegungsartefakten und limitierter Dosissteuerung anfällig für Qualitätsverluste, insbesondere bei kurzzeitigen Niedrigdosisprotokollen. Untersucht wurde, inwiefern der Deep Learning-Denoising-Algorithmus ClariCT.AI die Qualität von CBCT-Bildern inbesondere bei verkürzten 3 Sekunden-Akquisitionen steigerte. In einer retrospektiven, monozentrischen Analyse wurden 44 CBCT-Datensätze von 22 TIPSS-Untersuchungen mit zwei Akquisitionszeiten (6 Sekunden und 3 Sekunden) ausgewertet. Die Rekonstruktion erfolgte einerseits konventionell (gewichtete gefilterte Rückprojektion; „Original“) und andererseits nach KI-basierter Rauschreduktion („AID“). Die Datensätze wurden mittels objektiver Metrik (Rauschen, Kontrast, Kontrast Rausch-Verhältnis (CNR)) sowie subjektiver Bewertung durch erfahrene Radiologen beurteilt. Die KI‑bearbeiteten Datensätze zeigten eine deutliche Reduktion des Bildrauschens und ein deutlich verbessertes CNR. Besonders hervorzuheben ist, dass die 3‑s‑AID‑Serie trotz deutlich niedrigerer Strahlenexposition subjektiv als gleichwertig zur 6‑s‑Original‑Serie bewertet wurde. Die Übereinstimmung der Befundenden war exzellent (Spearman‑Rho = 0,977). KI-gestütztes Denoising ermöglicht eine bessere Bildqualität bei CBCT bei gleichzeitig geringerer Strahlenbelastung. Der untersuchte KI-Algorithmus war in der Lage, auch bei verkürzter Akquisitionszeit eine bessere diagnostische Bildqualität zu gewährleisten. Im klinischen Alltag könnte dies nicht nur die Patientensicherheit durch reduzierte Strahlenexposition erhöhen, sondern auch die Effizienz und Präzision in der interventionellen Radiologie verbessern. Zur weiteren Validierung dieser Ergebnisse sind

prospektive, multizentrische Studien erforderlich, die auch klinische Endpunkte wie Komplikationsraten, Prozedurzeit und Therapieerfolg systematisch einbeziehen. Die vorliegende Arbeit liefert eine Grundlage für die zukünftige Integration KI-gestützter Bildoptimierung in den klinischen Routinebetrieb.