AI based solutions in computed tomography

Abstract

Tekoäly on nopeasti kasvava ja kehittyvä ala ja koska tietokonetomografiakuvantamista käytetään paljon kaikkialla maailmassa, halusimme selvittää, millaista käyttöä tekoälyllä on TT:ssä. Teimme kirjallisuuskatsauksen kuudesta eri artikkelista, joista suurin osa liittyi konvoluutio-neuroverkoihin (CNN) tai muihin syvällisen oppimisen (DL) menetelmiin, kuten SCN.

Tekoälyä voidaan käyttää lääketieteellisessä kuvantamisessa ja TT:ssä monin tavoin, esimerkiksi tekoälypohjaisia sovelluksia voidaan käyttää potilaan paikannuksessa, parametrien valinnassa, skannauksen paikannuksessa jne. Tämän lisäksi havaitsimme, että tekoälypohjaisia sovelluksia ja erityisesti syvään oppimiseen perustuvia menetelmiä voidaan käyttää kohinan ja esineiden poistamiseen kuvista tai kuvien rekonstruoimiseksi, erityisesti pieniannoksisessa CT:ssä. Kaikkia näitä tekoälymenetelmiä voidaan mahdollisesti käyttää potilaan säteilyannoksen vähentämiseen kuvan laadusta tinkimättä.

Tekoälyä voidaan käyttää myös auttamaan radiologeja havaitsemaan leesioita tai kasvaimia kuvista. Kaikki tämä tarkoittaa sitä, että tekoälyn käytön edut TT:ssä ovat valtavat ja koko ajan nopeasti kehittyvän tekniikan ansiosta hyödyt varmasti vain kasvavat. Näille sovelluksille on kuitenkin edelleen rajoituksia, kuten laskentatehoon ja prosessointiaika kysymyksiin liittyen. Myös joillain sovelluksilla oli joitakin ongelmia hämärtymisen kanssa.

Artificial intelligence is a vastly growing and developing field and due to the high use of computed tomography imaging worldwide, we wanted to find out what kind of uses AI has in CT. We did a literary review of six different articles, most of which were related to convolutional neural networks (CNN) or other deep learning (DL) methods like SCN.

We found that the uses of AI in the field of medical imaging and in CT are many, for example AI-based applications can be used to help in patient positioning, parameter selection, scan positioning etc. In addition to that, we found that AI-based applications and more specifically deep learning based- methods can be used to remove noise and artifacts from images, or to reconstruct images, especially succeeding in Low-dose CT.

All these AI-methods can possibly be used to reduce a patient’s radiation dose without sacrificing image quality. AI can also be used in helping radiologists to detect lesions or tumors from images. All of this means that the benefits of AI use in CT are immense and due to technology rapidly developing all the time, the benefits will surely only grow. There are still limitations to these applications though, like computational power and processing time issues, as well as some blurring issues with some.