Rofo 2021; 193(04): 437-445
DOI: 10.1055/a-1253-8558
Quality/Quality Assurance

Personalisierte Computertomografie – automatisierte Abschätzung von Größe und Gewicht durch Simulation eines digitalen Zwillings mit einer 3D-Kamera und künstlicher Intelligenz

Article in several languages: English | deutsch
Frederik Geissler
1  Friedrich-Alexander-University Erlangen-Nürnberg (FAU), Erlangen, Germany
2  Department of Radiology, University Hospital Erlangen, Erlangen, Germany
,
Rafael Heiß
2  Department of Radiology, University Hospital Erlangen, Erlangen, Germany
,
Markus Kopp
2  Department of Radiology, University Hospital Erlangen, Erlangen, Germany
,
Marco Wiesmüller
2  Department of Radiology, University Hospital Erlangen, Erlangen, Germany
,
Marc Saake
1  Friedrich-Alexander-University Erlangen-Nürnberg (FAU), Erlangen, Germany
2  Department of Radiology, University Hospital Erlangen, Erlangen, Germany
,
Wolfgang Wuest
1  Friedrich-Alexander-University Erlangen-Nürnberg (FAU), Erlangen, Germany
2  Department of Radiology, University Hospital Erlangen, Erlangen, Germany
3  Imaging Science Institute, Erlangen, Germany
,
Andreas Wimmer
4  Siemens Healthcare GmbH, Forchheim, Germany
,
Veronika Prell
4  Siemens Healthcare GmbH, Forchheim, Germany
,
Michael Uder
1  Friedrich-Alexander-University Erlangen-Nürnberg (FAU), Erlangen, Germany
2  Department of Radiology, University Hospital Erlangen, Erlangen, Germany
3  Imaging Science Institute, Erlangen, Germany
,
Matthias Stefan May
1  Friedrich-Alexander-University Erlangen-Nürnberg (FAU), Erlangen, Germany
2  Department of Radiology, University Hospital Erlangen, Erlangen, Germany
3  Imaging Science Institute, Erlangen, Germany
› Author Affiliations

Zusammenfassung

Ziele Ziel der Studie war es, einen Algorithmus zur Abschätzung von Größe und Gewicht der Patienten vor einer Computertomografie (CT) zu entwickeln und dessen Genauigkeit im klinischen Alltag zu evaluieren.

Material und Methoden Mit einer über dem Patiententisch montierten 3D-Kamera wurden Tiefenbilder von 200 Patienten aufgenommen und zusammen mit den Referenzwerten einer geeichten Waage und eines Maßbandes zum Trainieren eines maschinellen Lernalgorithmus verwendet. Dies erfolgte über die Anpassung eines Patienten-Avatars an die aufgenommenen Oberflächeninformationen. Der so entstandene automatische Algorithmus wurde dann prospektiv im klinischen Alltag an 101 Patienten angewandt und die Ergebnisse mit den gemessenen Referenzwerten, den Patientenangaben sowie den Schätzwerten durch das technische und ärztliche Personal verglichen. Der Body-Mass-Index wurde aus den erhobenen Werten für jeden Patienten mit der WHO-Formel berechnet. Um die Auswirkungen auf die Kontrastmittelmenge bei gewichtsabhängiger Dosierung abschätzen zu können, wurde eine Toleranz von 5 kg definiert.

Ergebnisse Die Unterschiede zwischen den erhobenen Werten für Größe, Gewicht und BMI waren für alle Methoden nicht signifikant (p > 0,83). Die genauesten Werte für das Gewicht wurden aus der Patientenangabe (R² = 0,99), gefolgt von der automatischen Erfassung über die 3D-Kamera (R² = 0,89), erzielt. Abschätzungen durch das medizinische Personal waren deutlich ungenauer (Radiologe: R² = 0,78; MTRA: R² = 0,77). Eine gewichtsabhängige Kontrastmitteldosierung mit den Werten der automatischen Abschätzung wäre im Vergleich zur Dosierung anhand der Referenzmessungen in 65 % der Fälle identisch gewesen. Analog wären bei einem Vorgehen basierend auf Schätzwerten des Personals 49 % der Patienten identisch dosiert worden.

Schlussfolgerung Die automatisierte Abschätzung von Größe und Gewicht mit einer 3D-Kamera kann durch ein digitales Zwillingsmodell mit hoher Präzision für die Untersuchungsplanung in der Computertomografie verwendet werden.

Kernaussagen:

  • Patienten-Avatare können durch maschinelles Lernen aus 3D-Kameraaufnahmen berechnet werden.

  • Die Größe und das Gewicht der digitalen Zwillinge sind mit den realen Messwerten der Patienten vergleichbar.

  • Schätzungen durch medizinisches Personal sind weniger genau.

  • Die Werte können zur Berechnung der Kontrastmitteldosis verwendet werden.

Zitierweise

  • Geissler F, Heiß R, Kopp M et al. Personalized computed tomography – Automated estimation of height and weight of a simulated digital twin using a 3D camera and artificial intelligence. Fortschr Röntgenstr 2021; 193: 437 – 445



Publication History

Received: 05 May 2020

Accepted: 26 August 2020

Publication Date:
03 November 2020 (online)

© 2020. Thieme. All rights reserved.

Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany