Reinforcement Learning optimiert CT-Protokolle effizienter als Supercomputer

In der Computertomographie (CT) ist die Optimierung von Protokollen entscheidend, um eine erstklassige Bildqualität zu erzielen und gleichzeitig die Strahlenexposition zu reduzieren. Traditionelle Ansätze erfordern jedoch umfangreiche Tests aller Parameterkombinationen, was oft unpraktisch ist. Ein neues Verfahren kombiniert virtuelle Bildgebungstools mit Reinforcement Learning, um CT-Protokolle schneller und genauer zu optimieren.

Forscher nutzten einen validierten CT-Simulator, um menschliche Modelle mit Leberläsionen zu scannen, und wendeten ein innovatives Rekonstruktions-Toolkit an. Der Optimierungsraum umfasste Spannung, Strom, Rekonstruktionskernel, Schnittstärke und Pixelgröße. Ein Proximal Policy Optimization (PPO)-Agent wurde trainiert, die Bildqualitätsmetrik „Detectability Index (d’)“ für Leberläsionen zu maximieren.

Im Vergleich zu einer umfassenden Suche auf einem Supercomputer erreichte der Reinforcement-Learning-Ansatz das globale Maximum des d’ bei gleichzeitig 79,7 % weniger Schritten. Das Ergebnis zeigt, dass das Verfahren nicht nur genauer, sondern auch deutlich rechenintensitätsärmer ist. Die Flexibilität des Frameworks ermöglicht die Anpassung an verschiedene Bildqualitätsziele und unterstreicht das Potenzial, virtuelle Bildgebung und KI für die CT-Protokollverwaltung zu integrieren.