Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
www medicaldesign news Röntgentechnik Trends & Innovationen 16 02 2021 Bild DataArt KI-Upgrade für die Röntgenbildgebung Ein entscheidender Nachteil der Röntgenbildgebung ist dass sie keine 3D-Darstellung der aufgenommenen Daten ermöglicht Viele Informationen bleiben dadurch verborgen weshalb man auf teurere Verfahren wie die Computertomographie setzt Durch Künstliche Intelligenz könnte sich das jedoch ändern Alexander Khmil MedTech-Lösungsberater bei DataArt Die Röntgenbildgebung wurde in der Medizin erstmals Ende des 19 Jahrhunderts verwendet Dadurch stieg das diagnostische Potenzial auf ein deutlich höheres Niveau was den Weg für den Durchbruch in der Entwicklung der nichtinvasiven medizinischen Bildgebung ebnete Es dauerte danach mehr als 70 Jahre bis zum nächsten grundlegenden Fortschritt in der medizinischen Bildgebung der Computertomographie Sie ermöglichte erstmals den Zugang zu einer neuen Dimension in der Diagnostik Einfach ausgedrückt Zweidimensionale Bilder wurden zu einem vollständig volumetrischen dreidimensionalen Modell eines bestimmten menschlichen Körperteils Im Vergleich zur teureren und komplexeren CT-Diagnostik ist die Röntgenbildgebung zwar weiter verbreitet hat jedoch einen Nachteil Sie kann keine dreidimensionalen Daten zur Verfügung stellen weshalb die Röntgenbildgebung in der medizinischen Praxis oft das Nachsehen hat beziehungsweise für eine vollumfängliche Diagnose nicht ausreicht Zumindest auf den ersten Blick denn eigentlich enthalten Röntgenbilder alle benötigten dreidimensionalen Daten haben jedoch eine ihrer Dimensionen verloren Das heißt das Bild ist eine Projektion eines 3D-Objekts auf einer 2D-Ebene Durch mehrere Röntgenbilder aus verschiedenen Winkeln und Verwendung von hochentwickelten Algorithmen lässt sich die verlorene Dimension jedoch wieder herstellen ■ KIbetriebene Stereogrammetrie Am Beispiel einer Hüftgelenksverletzung lässt sich dieser Ansatz gut erklären Für die Untersuchung werden zunächst zwei Röntgenbilder aufgenommen eines von vorne und eines von der Seite Die anschließende Stereogrammetrie soll die medizinischen Volumendaten rekonstruieren Das funktioniert jedoch nur bedingt Die Lösung Die Stereogrammetrie wird mit einigen speziellen Algorithmen für Mathematik und maschinelles Lernen ergänzt Dadurch erhält der Arzt eine visuelle Darstellung der wahrscheinlichsten Hüftknochenform Das Ergebnis solch einer medizinischen Bildgebung nennt man probabilistisches Volumenmodell Es funktioniert auch mit der Hochrechnung von unvollständigen Daten und zeigt einige Merkmale eines Knochens die für eine bestimmte Diagnoseart ausreichen Beispielsweise lässt sich damit die Lage kleiner Tumore oder die Schwere eines Knochenbruchs erkennen Tatsächlich ist es nicht so komplex wie es scheint Der Algorithmus repräsentiert Probabilistisches Volumenmodell eines Oberschenkelkopfes