Einfluss des Einsatzes Künstlicher Intelligenz in der Bildrekonstruktion bei Diffusionstensor-Bildgebung (DTI) und T1/T2-Mapping zur Beurteilung zervikaler Myelopathien bei HWS-Degenerationen

Abstract

Diese Dissertation untersuchte den Einfluss der Advanced Intelligent Clear-IQ Engine (AiCE) von Canon auf die Bildrekonstruktion im T1-/T2-Mapping sowie in der Diffusionstensor-Bildgebung (DTI) zur Beurteilung zervikaler Myelopathien infolge degenerativer Veränderungen der Halswirbelsäule. Ausgangspunkt der Arbeit ist die Beobachtung, dass konventionelle MRT-Verfahren häufig nicht in der Lage sind, zukünftige und subtile mikrostrukturelle Veränderungen im Myelon adäquat abzubilden, was zu einer Diskrepanz zwischen klinischer Symptomatik und bildgebenden Befunden führt. Die zentrale Hypothese lautet, dass der Einsatz von KI-gestützten Rekonstruktionsverfahren – konkret die AiCE-Technologie – das Signal-Rausch-Verhältnis (SNR) verbessert und somit eine präzisere Darstellung pathologischer Gewebeveränderungen ermöglicht. Zur Überprüfung dieser Hypothese wurde eine prospektive, unizentrische Fall-Kontroll-Studie konzipiert. An einem 1,5-Tesla-MRT-System wurden standardisierte T1-/T2-Mapping- und DTI- Sequenzen bei einer differenzierten Kohorte aus gesunden Kontrollpersonen sowie Patienten mit unterschiedlichen Schweregraden zervikaler Spinalkanalstenosen angewendet. Die Untersuchung ergab unter Einbeziehung verschiedener AiCE-Stufen, um den Einfluss der KI-gestützten Bildrekonstruktion quantitativ zu evaluieren. Mittels definierter Regions of Interest wurden die T1- und T2-Relaxationszeiten sowie diffusionsbasierte Parameter, wie fraktionale Anisotropie (FA) und Apparent Diffusion Coefficient (ADC), ermittelt und statistisch mittels Mixed-Model-ANOVA analysiert. Die Ergebnisse belegen, dass die Anwendung von AiCE zu einer signifikanten Verbesserung des SNR und einer präziseren Differenzierung zwischen pathologischen und gesunden Geweberegionen führt. Zudem korrelieren die quantitativen Bildparameter eng mit dem Schweregrad der Myelopathie, wobei ein Sättigungseffekt zwischen standardisierter und maximaler KI-Anwendung beobachtet wurde. Diese Befunde unterstreichen den diagnostischen Mehrwert der KI-basierten Bildrekonstruktion und zeigen, dass zukünftige, mikrostrukturelle Veränderungen im Myelon besser erkannt werden können. Die Arbeit leistet somit einen wesentlichen Beitrag zur Optimierung der MRT-Diagnostik bei zervikaler Myelopathie, indem sie den Weg für eine verbesserte, individualisierte Therapieplanung ebnet. Gleichzeitig werden methodische Limitationen, wie die begrenzte Stichprobengröße und die Nutzung eines 1,5-Tesla-Systems, kritisch reflektiert. Zukünftige multizentrische Studien könnten die Übertragbarkeit und Effizienz der vorgestellten Ansätze weiter verbessern.