Kontakt

TrueFidelity CT

TrueFidelity CT-Bilder sind eine enorme Verbesserung der Bildqualität und damit der erste Schritt in der nächsten Generation der Bildrekonstruktion. Dieser Sprung bei der Bildrekonstruktion verbessert die Visionen dessen, was Sie erreichen können und bietet beispiellose Vorteile.

Auf einen Blick

Eine Vision, die die Radiologie weiter vorantreibt

TrueFidelity CT-Bilder eröffnen neue Möglichkeiten mit der Deep-Learning-Bildrekonstruktion (Deep Learning Image Reconstruction) (DLIR).

Wo Deep Learning das Lernen übernimmt.

Unsere unternehmenseigene DLIR-Schulung spiegelt das beispiellose Verständnis dessen wider, was für eine erfolgreiche DLIR erforderlich ist.

Vertrauen. Ohne Kompromisse

Verbesserung der Scanlesezeiten, einheitlicher Bildeindruck. Dies wirkt der Ermüdung der Radiolog:innen entgegen.

TrueFidelity für GSI bietet nun die Möglichkeit, das Bildrauschen erheblich zu reduzieren, auch in der Spektralbildgebung

Von virtuellen monochromatischen Bildern bis hin zu Materialdichtebildern und virtuellen Nativ-Bildern, mit und ohne Metallartefaktreduktion. Insbesondere die Reduzierung des Bildrauschens, das bei Bildern mit geringem keV-Wert entsteht, löst eine der herkömmlichen technischen Herausforderungen bei der Nutzung von mehr Dual-Energy-Protokollen für das gesamte Patientenspektrum.

TrueFidelity Deep-Learning-Bildrekonstruktion | GE HealthCare

01-carousel-item

Klinische Bilder

Vergleich der Rekonstruktionstechnologien

TrueFidelity für GSI: Revolution Apex, arterielle Phase Abdomen

TrueFidelity für GSI: Revolution Apex, arterielle Phase Bauchspeicheldrüse

TrueFidelity für GSI: Revolution Apex, metastasiertes Magenkarzinom BMI 33

TrueFidelity für GSI: Revolution Apex, Rektumkarzinom mit Lebermetastasen

Merkmale

Wo Deep Learning das Lernen übernimmt.

Eine auf Deep Learning basierte Bildrekonstruktion ist nur so gut wie das Training, das sie erhält. GE HealthCare trainiert seine Rekonstruktions-Maschine mit einem Verzeichnis tausender rauscharmer FBP-Bilder (Filtered Back Projection, gefilterte Rückprojektion), die als der Goldstandard in puncto Bildqualität gelten.

Design

Erstellung von mehreren Schichten mathematischer Gleichungen, mit einem Deep Neural Network (DNN), das Millionen von Parametern verarbeiten kann.

Training

Über das DNN fließt ein stark verrauschtes Sinogramm ein, und das resultierende Bild wird mit einer rauscharmen Version dieses Bildes verglichen. Die beiden Bilder werden basierend auf einer Vielzahl an Parametern wie Bildrauschen, Niedrigkontrastauflösung, Niedrigkontrasterkennbarkeit, Rauschtextur usw. verglichen. Im daraus entstehenden Bild werden die Differenzen per Rückpropagation an das Netz weitergegeben, wodurch das DNN basierend auf dem gewünschten Ergebnis trainiert und gestärkt wird.

Überprüfung

Das Netzwerk (DNN) muss klinische und simulierte Fälle rekonstruieren, denen es zuvor noch nie begegnet ist, darunter auch extrem seltene Fälle, die die Leistungsfähigkeit des Netzwerks bis zum Limit ausschöpfen und somit seine Robustheit auf die Probe stellen.

„Die Bildschärfe ist eine bahnbrechende Entwicklung bei Bildrekonstruktionsalgorithmen. Wir sehen mehr Details als je zuvor. Die Bildgebung von Abdomen, Lunge und Herz profitiert am meisten von dieser Technologie. Ich interessiere mich vor allem für die kardiologische und kardiovaskuläre Bildgebung. Wir haben eine viel bessere Bildqualität, Detaildarstellung und Bildschärfe bei Herzklappen, sklerotischem und weichem Plaque in kardialen und extrakardialen Gefäßen sowie weniger Artefakte um Stents und Stentgrafts festgestellt. DECT für Lungenembolie hat alle in unserer Abteilung überzeugt.“

Prof. Klaus Hergan

Universitätsklinikum Salzburg, Österreichische Klinik für Radiologie des Universitätsklinikums Salzburg mit 1200 Betten