KI für die Schlaganfalldiagnostik

Das Verbundprojekt KI-SIGS widmet sich dem Aufbau eines „KI-Space für intelligente Gesundheitssysteme“. Als Teil des Projekts erarbeitet mbits gemeinsam mit dem Uniklinikum Schleswig-Holstein (UKSH) KI-basierte Lösungen, welche Radiolog*innen bei der Befundung computertomographischer (CT) Bilder von Schlaganfallpatienten unterstützen.

Beim Schlaganfall zählt jede Minute, gleichzeitig darf die Qualität der Versorgung nicht unter dem Zeitdruck leiden. Dieser Anspruch wirkt sich auf die gesamte Schlaganfallrettungskette aus, von der Erstversorgung, über die Diagnose bis hin zur Wahl der optimalen Therapie. Innerhalb von 15min nach Ankunft des Patienten muss ein CT gefahren werden, um die Diagnose zu stellen. Dabei können Hirnblutungen ausgeschlossen, Verschlüsse in den Hirnarterien lokalisiert und die dadurch verursachten Ischämien quantifiziert werden. Bei der Befundung sollen den Radiologen zukünftig KI-Algorithmen zur Seite gestellt werden. An solchen Algorithmen forscht mbits gemeinsam mit Physikern und Schlaganfallexperten der Radiologie und Neuroradiologie am UKSH. Im Projekt werden die beiden Fragestellungen 1) Ausschluss von Hirnblutungen und 2) Lokalisierung von Verschlüssen bearbeitet. Für beide Aufgaben sollen Lösungen basierend auf dem Nativ-CT entwickelt werden, welches den Vorteil bietet, dass für die Bildaufnahme kein Kontrastmittel benötigt wird. In diesem Artikel wird genauer auf die erste Fragestellung eingegangen, ein Folgeartikel wird die zweite Fragestellung behandeln.

Abbildung 1: Hirnblutung im Nativ-CT

Trotz ähnlicher Symptome unterscheiden sich die Therapien von Blutungen und Schlaganfällen grundlegend und kontraindizieren sich sogar gegenseitig. Im Falle einer Blutung muss diese gestoppt und je nach Ausmaß neurochirurgisch behandelt werden. Beim Schlaganfall hingegen muss das verschlossene Gefäß wieder geöffnet werden, um die Durchblutung des infarzierten Hirngewebes wiederherzustellen. Das wird in vielen Fällen durch eine Thrombolyse erreicht, bei der Antikoagulantien gegeben werden, welche den Thrombus auflösen sollen. Eine solche Medikation würde bei einer akuten Hirnblutung jedoch gravierende Folgen für den Patienten haben. Dementsprechend ist der Blutungsausschluss im Nativ-CT ein kritischer Schritt, welchen wir durch einen KI-Algorithmus unterstützen wollen.

Abbildung 2:
Convolutional Neural Network bestehend aus vier Schichten zur Klassifizierung eines 3D CT Bildes

Hierfür verwendet werden Methoden des Deep Learnings. Deep Learning ist eine Form von KI, bei welcher neuronale Netze für die Verarbeitung von Daten eingesetzt werden. Für die Bildverarbeitung haben sich in den letzten Jahren Convolutional Neural Networks (CNNs) durchgesetzt. Diese bestehen aus mehreren Schichten, in welchen das Eingangsbild gefiltert wird. Durch die Aneinanderreihung von Filtern kann das Netzwerk sowohl einfach Eigenschaften wie z.B. Kanten sowie auch komplexe Muster, wie Gesichter oder die Erscheinung Hirnblutungen lernen. Anhand dieser gelernten Merkmale kann das Netzwerk dann zuordnen, ob in dem vorliegenden CT eine Blutung vorhanden ist oder nicht.

Alexandra Ertl | Research & Development

Newsletter

Sie möchten regelmäßige Infos über Produktneuheiten, mRay-Updates und anschauliche Tutorial-Videos zu neuen Features? Tragen Sie sich in unseren vierteljährlichen Newsletter ein.

Das könnte Sie auch interessieren

DE

Vielen Dank für Ihre Anmeldung

In Kürze erhalten Sie eine E-Mail, mit der Sie das Abonnement unseres Newsletters bestätigen können.