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

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

Key words

CT - machine learning - digital twin - 3D camera - automatic data collection

Publication History

Received: 05 May 2020

Accepted: 26 August 2020

Article published online:
03 November 2020

• References

• 1 Bundesamt für Strahlenschutz. Röntgendiagnostik: Häufigkeit und Strahlenexposition. https://www.bfs.de/DE/themen/ion/anwendung-medizin/diagnostik/roentgen/haeufigkeit-exposition.html
• 2 Petritsch B, Kosmala A, Gassenmaier T. et al. Diagnostik der akuten Lungenarterienembolie: Vergleich von Single-Source CT und Dritt-Generation Dual-Source CT unter Einsatz eines Dual-Energy Protokolls – Bildqualität und Strahlenexposition. Fortschr Röntgenstr 2017; DOI: 10.1055/s-0043-103089.
• 3 May MS, Eller A, Stahl C. et al. Dose reduction in computed tomography of the chest: image quality of iterative reconstructions at a 50% radiation dose compared to filtered back projection at a 100% radiation dose. Fortschr Röntgenstr 2014; DOI: 10.1055/s-0033-1356254.
• 4 Do TD, Sutter R, Skornitzke S. et al. CT- und MRT-Bildgebung bei orthopädischen Implantaten. Fortschr Röntgenstr 2018; DOI: 10.1055/s-0043-118127.
• 5 Schäfer SB, Rudolph C, Kolodziej M. et al. Optimierung von Ganzkörper-CT-Untersuchungen an Polytraumatisierten anhand des Vergleichs mit den aktuellen diagnostischen Referenzwerten. Fortschr Röntgenstr 2019; DOI: 10.1055/a-0881-3113.
• 6 George AJ, Manghat NE, Hamilton MCK. Comparison between a fixed-dose contrast protocol and a weight-based contrast dosing protocol in abdominal CT. Clin Radiol 2016; DOI: 10.1016/j.crad.2016.07.009.
• 7 Benbow M, Bull RK. Simple weight-based contrast dosing for standardization of portal phase CT liver enhancement. Clin Radiol 2011; DOI: 10.1016/j.crad.2010.12.022.
• 8 Feng ST, Zhu H, Peng Z. et al. An Individually Optimized Protocol of Contrast Medium Injection in Enhanced CT Scan for Liver Imaging. Contrast Media Mol Imaging 2017; DOI: 10.1155/2017/7350429.
• 9 Svensson A, Thor D, Fischer MA. et al. Dual source abdominal computed tomography: the effect of reduced X-ray tube voltage and intravenous contrast media dosage in patients with reduced renal function. Acta Radiol 2019; DOI: 10.1177/0284185118783213.
• 10 Megibow Alec J, Jacob G, Heiken JP. Quantitative and Qualitative Evaluation of Volume of Low Osmolality Contrast Medium Needed for Routine Helical Abdominal CT. Am J Roentgenol 2001; DOI: 10.2214/ajr.176.3.1760583.
• 11 Perrin E, Jackson M, Grant R. et al. Weight-adapted iodinated contrast media administration in abdomino-pelvic CT: Can image quality be maintained?. Radiography (Lond) 2018; DOI: 10.1016/j.radi.2017.08.011.
• 12 Pfitzner C, May S, Nüchter A. Body Weight Estimation for Dose-Finding and Health Monitoring of Lying, Standing and Walking Patients Based on RGB-D Data. Sensors (Basel, Switzerland) 2018; DOI: 10.3390/s18051311.
• 13 Saltybaeva N, Schmidt B, Wimmer A. et al. Precise and Automatic Patient Positioning in Computed Tomography: Avatar Modeling of the Patient Surface Using a 3-Dimensional Camera. Invest Radiol 2018; DOI: 10.1097/RLI.0000000000000482.
• 14 Toth T, Ge Z, Daly MP. The influence of patient centering on CT dose and image noise. Med Phys 2007; DOI: 10.1118/1.2748113.
• 15 Statistisches Bundesamt. Körpermaße nach Altersgruppen und Geschlecht. https://www.destatis.de/DE/Themen/Gesellschaft-Umwelt/Gesundheit/Gesundheitszustand-Relevantes-Verhalten/Tabellen/liste-koerpermasse.html
• 16 Descoteaux M, Maier-Hein L, Franz A. et al. Medical Image Computing and Computer-Assisted Intervention − MICCAI 2017. Cham: Springer International Publishing; 2017. DOI: 10.1007/978-3-319-66185-8
• 17 Kondo H, Kanematsu M, Goshima S. et al. Abdominal multidetector CT in patients with varying body fat percentages: estimation of optimal contrast material dose. Radiology 2008; DOI: 10.1148/radiol.2492080033.
• 18 Fleischmann D, Kamaya A. Optimal vascular and parenchymal contrast enhancement: the current state of the art. Radiol Clin North Am 2009; DOI: 10.1016/j.rcl.2008.10.009.
• 19 Boland GWL, Houghton MP, Marchione DG. et al. Maximizing outpatient computed tomography productivity using multiple technologists. Journal of the American College of Radiology: JACR 2008; DOI: 10.1016/j.jacr.2007.07.009.
• 20 Bégin A, Martel G, Lapointe R. et al. Accuracy of preoperative automatic measurement of the liver volume by CT-scan combined to a 3D virtual surgical planning software (3DVSP). Surg endosc 2014; DOI: 10.1007/s00464-014-3611-x.
• 21 Vauthey JN, Chaoui A, Do KA. et al. Standardized measurement of the future liver remnant prior to extended liver resection: methodology and clinical associations. 2000; DOI: 10.1067/msy.2000.105294.
• 22 Hoffmann RT, Jakobs TF, Tatsch K. et al. Selektive interne Radiotherapie bei fortgeschrittenen Lebertumoren und Metastasen. Dtsch Med Wochenschr 2008; DOI: 10.1055/s-0028-1091244.
• 23 Urata K, Kawasaki S, Matsunami H. et al. Calculation of child and adult standard liver volume for liver transplantation. Hepatology 1995; DOI: 10.1002/hep.1840210515.
• 24 Bundesamt für Strahlenschutz. Leitfaden zur Handhabung der diagnostischen Referenzwerte in der Röntgendiagnostik. https://www.bfs.de/SharedDocs/Downloads/BfS/DE/fachinfo/ion/leitfaden-drw-roe.pdf?__blob=publicationFile&v=11