Das Netherlands Cancer Institute (NKI) ist seit 1913 an der Spitze der Krebsforschung und -behandlung. Das aus einem international anerkannten Forschungszentrum und einer dazugehörigen Krebsklinik bestehende NKI setzt innovative Ideen zum Wohle der Patienten in die Tat um.
Vor kurzem begann NKI mit Forschungsarbeiten, um herauszufinden, ob trainierte KI-Modelle, die auf virtualisierten Mainstream-Servern ausgeführt werden, die erforderliche Leistung zur präziseren Tumoransteuerung und zur reduzierten Strahlenexposition mit der CBCT (Cone-Beam Computed Tomography) liefern könnten. Die auf der Softwaresuite von NVIDIA AI Enterprise basierende Lösung verspricht eine wirksamere Krebsbehandlung für mehr Menschen.
Angesichts der Fortschritte in der medizinischen Bildgebung steigt auch der Bedarf an besseren Rechen-, Bandbreiten- und Datenspeicherfunktionen. Dies gilt insbesondere für die Behandlung von Krebs, bei der die Bildgebung des Körpers mit CBCT für die genaue Planung gezielter Strahlentherapien wichtig ist.
Im Gegensatz zu hochwertigeren Computertomographien werden bei der CBCT eine Röntgenröhre und ein großer Flachbilddetektor verwendet, der um den Patienten rotiert und die Daten mit einem kegelförmigen Röntgenstrahl erfasst, anstatt als „Scheiben“, die bei CT-Scannern normalerweise üblich sind. Die von diesen Systemen gewonnen Daten werden zur Rekonstruktion von 3D-Bildern für eine Vielzahl von Fachgebieten verwendet, darunter Brustkorb, Zähne, Mundhöhle/Oberkiefer und Gesicht (Mund, Kiefer und Hals) sowie Hals, Nase und Ohren (HNO). CBCT ist in der Strahlentherapie unerlässlich. Ein täglicher CBCT-Scan kann verwendet werden, um den Behandlungsplan an die aktuelle Anatomie des Patienten anzupassen, die sich aufgrund von Gewichtsverlust oder einer großen Mahlzeit vor der Behandlung ändern kann.
Je präziser die CBCT-Bilder sind, desto einfacher ist es für Kliniker, kleinere Tumore während der Strahlentherapie zu lokalisieren und gezieltere Behandlungen durchzuführen. Eine präzise CBCT-Rekonstruktion würde die Behandlungsplanung vereinfachen und möglicherweise die Notwendigkeit eines speziell geplanten CT-Scans reduzieren.
CBCT-Bilder werden von einem Rekonstruktionsalgorithmus aus den vom Scanner erfassten Projektionsdaten verarbeitet. Die Rekonstruktion von CBCT-Bildern ist jedoch anspruchsvoller als die Rekonstruktion von CT-Bildern und die durch klassische Rekonstruktionsmethoden erhaltene Bildqualität ist schlecht.
Rekonstruktionsmethoden mithilfe von Deep Learning haben in der medizinischen Bildgebung in letzter Zeit viel Aufmerksamkeit erhalten für Bildgebungsmodalitäten wie CT und MRT, doch die Anwendungsmöglichkeiten für CBCT sind weiterhin sehr begrenzt. Das Modelltraining zur Rekonstruktion von 3D-Volumes direkt aus den Projektionsdaten mit klinisch relevanter Auflösung und Projektionsanzahl ist eine datenspeicherintensive Aufgabe, da ein einzelnes CBCT-Volume mit einer Auflösung von 1 mm unter Berücksichtigung der Gradienteninformationen bereits 1 GB Speicherplatz beanspruchen würde.