Cargando…
Möglichkeiten der künstlichen Intelligenz im Strahlenschutz: Verbesserung der Sicherheit bei medizinischen Bildgebungsuntersuchungen
CLINICAL/METHODOLOGICAL ISSUE: Imaging of structures of internal organs often requires ionizing radiation, which is a health risk. Reducing the radiation dose can increase the image noise, which means that images provide less information. STANDARD RADIOLOGICAL METHODS: This problem is observed in co...
Autores principales: | , |
---|---|
Formato: | Online Artículo Texto |
Lenguaje: | English |
Publicado: |
Springer Medizin
2023
|
Materias: | |
Acceso en línea: | https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10299955/ https://www.ncbi.nlm.nih.gov/pubmed/37347256 http://dx.doi.org/10.1007/s00117-023-01167-y |
_version_ | 1785064481565442048 |
---|---|
author | Pashazadeh, Ali Hoeschen, Christoph |
author_facet | Pashazadeh, Ali Hoeschen, Christoph |
author_sort | Pashazadeh, Ali |
collection | PubMed |
description | CLINICAL/METHODOLOGICAL ISSUE: Imaging of structures of internal organs often requires ionizing radiation, which is a health risk. Reducing the radiation dose can increase the image noise, which means that images provide less information. STANDARD RADIOLOGICAL METHODS: This problem is observed in commonly used medical imaging modalities such as computed tomography (CT), positron emission tomography (PET), single photon emission computed tomography (SPECT), angiography, fluoroscopy, and any modality that uses ionizing radiation for imaging. METHODOLOGICAL INNOVATIONS: Artificial intelligence (AI) can improve the quality of low-dose images and help minimize radiation exposure. Potential applications are explored, and frameworks and procedures are critically evaluated. PERFORMANCE: The performance of AI models varies. High-performance models could be used in clinical settings in the near future. Several challenges (e.g., quantitative accuracy, insufficient training data) must be addressed for optimal performance and widespread adoption of this technology in the field of medical imaging. PRACTICAL RECOMMENDATIONS: To fully realize the potential of AI and deep learning (DL) in medical imaging, research and development must be intensified. In particular, quality control of AI models must be ensured, and training and testing data must be uncorrelated and quality assured. With sufficient scientific validation and rigorous quality management, AI could contribute to the safe use of low-dose techniques in medical imaging. |
format | Online Article Text |
id | pubmed-10299955 |
institution | National Center for Biotechnology Information |
language | English |
publishDate | 2023 |
publisher | Springer Medizin |
record_format | MEDLINE/PubMed |
spelling | pubmed-102999552023-06-29 Möglichkeiten der künstlichen Intelligenz im Strahlenschutz: Verbesserung der Sicherheit bei medizinischen Bildgebungsuntersuchungen Pashazadeh, Ali Hoeschen, Christoph Radiologie (Heidelb) Leitthema CLINICAL/METHODOLOGICAL ISSUE: Imaging of structures of internal organs often requires ionizing radiation, which is a health risk. Reducing the radiation dose can increase the image noise, which means that images provide less information. STANDARD RADIOLOGICAL METHODS: This problem is observed in commonly used medical imaging modalities such as computed tomography (CT), positron emission tomography (PET), single photon emission computed tomography (SPECT), angiography, fluoroscopy, and any modality that uses ionizing radiation for imaging. METHODOLOGICAL INNOVATIONS: Artificial intelligence (AI) can improve the quality of low-dose images and help minimize radiation exposure. Potential applications are explored, and frameworks and procedures are critically evaluated. PERFORMANCE: The performance of AI models varies. High-performance models could be used in clinical settings in the near future. Several challenges (e.g., quantitative accuracy, insufficient training data) must be addressed for optimal performance and widespread adoption of this technology in the field of medical imaging. PRACTICAL RECOMMENDATIONS: To fully realize the potential of AI and deep learning (DL) in medical imaging, research and development must be intensified. In particular, quality control of AI models must be ensured, and training and testing data must be uncorrelated and quality assured. With sufficient scientific validation and rigorous quality management, AI could contribute to the safe use of low-dose techniques in medical imaging. Springer Medizin 2023-06-22 2023 /pmc/articles/PMC10299955/ /pubmed/37347256 http://dx.doi.org/10.1007/s00117-023-01167-y Text en © The Author(s) 2023 https://creativecommons.org/licenses/by/4.0/Open Access Dieser Artikel wird unter der Creative Commons Namensnennung 4.0 International Lizenz veröffentlicht, welche die Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Die in diesem Artikel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist für die oben aufgeführten Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen. Weitere Details zur Lizenz entnehmen Sie bitte der Lizenzinformation auf http://creativecommons.org/licenses/by/4.0/deed.de (https://creativecommons.org/licenses/by/4.0/) . |
spellingShingle | Leitthema Pashazadeh, Ali Hoeschen, Christoph Möglichkeiten der künstlichen Intelligenz im Strahlenschutz: Verbesserung der Sicherheit bei medizinischen Bildgebungsuntersuchungen |
title | Möglichkeiten der künstlichen Intelligenz im Strahlenschutz: Verbesserung der Sicherheit bei medizinischen Bildgebungsuntersuchungen |
title_full | Möglichkeiten der künstlichen Intelligenz im Strahlenschutz: Verbesserung der Sicherheit bei medizinischen Bildgebungsuntersuchungen |
title_fullStr | Möglichkeiten der künstlichen Intelligenz im Strahlenschutz: Verbesserung der Sicherheit bei medizinischen Bildgebungsuntersuchungen |
title_full_unstemmed | Möglichkeiten der künstlichen Intelligenz im Strahlenschutz: Verbesserung der Sicherheit bei medizinischen Bildgebungsuntersuchungen |
title_short | Möglichkeiten der künstlichen Intelligenz im Strahlenschutz: Verbesserung der Sicherheit bei medizinischen Bildgebungsuntersuchungen |
title_sort | möglichkeiten der künstlichen intelligenz im strahlenschutz: verbesserung der sicherheit bei medizinischen bildgebungsuntersuchungen |
topic | Leitthema |
url | https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10299955/ https://www.ncbi.nlm.nih.gov/pubmed/37347256 http://dx.doi.org/10.1007/s00117-023-01167-y |
work_keys_str_mv | AT pashazadehali moglichkeitenderkunstlichenintelligenzimstrahlenschutzverbesserungdersicherheitbeimedizinischenbildgebungsuntersuchungen AT hoeschenchristoph moglichkeitenderkunstlichenintelligenzimstrahlenschutzverbesserungdersicherheitbeimedizinischenbildgebungsuntersuchungen |