Generalisierbare Pipeline zur automatisierten Koronarkalk-Quantifizierung über verschiedene CT-Protokolle hinweg

• Antragsteller: Bernhard Föllmer, Ph.D.
• Fachliche Zuordnung: Radiologie ; Künstliche Intelligenz und Maschinelle Lernverfahren
• Förderung: Förderung seit 2026
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 568331058

Kardiovaskuläre Erkrankungen sind weltweit die häufigste Todesursache. Koronarkalk ist ein zentraler Marker für Atherosklerose und ein wichtiger Prädiktor für das Erkrankungsrisiko. Traditionell erfolgt die Kalziumbewertung mit EKG-gesteuerten, kontrastmittelfreien CT-Scans. Niedrigdosierte Thorax-CTs, die zunehmend in der Lungenkrebsvorsorge genutzt werden, bieten eine Alternative, deren klinische Bedeutung künftig zunehmen dürfte. Studien zeigen zudem, dass auch koronare CT-Angiographien für die Kalziumquantifizierung genutzt werden können, wodurch sich eine separate Kalziummessung und zusätzliche Strahlenbelastung vermeiden ließen. Die Generalisierung bestehender Modelle auf verschiedene CT-Protokolle ist jedoch herausfordernd, da Akquisitions- und Rekonstruktionsparameter variieren. Eine generalisierbare Pipeline für automatisiertes Kalzium-Scoring könnte diese Einschränkungen überwinden, indem Deep-Learning-Modelle an unterschiedliche Bildgebungsbedingungen angepasst werden. Bestehende Methoden beziehen Radiologinnen und Radiologen oft nicht ausreichend in die Entwicklung ein, was die Akzeptanz einschränkt. Eine intuitive Schnittstelle und erklärbare KI könnten Transparenz und Vertrauen in automatisierte Verfahren verbessern. Dieses Projekt entwickelt eine generalisierbare Deep-Learning-Pipeline zur automatisierten Beurteilung von Koronarkalk über verschiedene CT-Protokolle. Bestehende Modelle werden für EKG-gesteuerte, kontrastmittelfreie CTs sowie niedrigdosierte Thorax-CTs, CT-Angiographien und weitere Protokolle mit unterschiedlichen Akquisitionsparametern adaptiert. Active Domain Adaptation wird eingesetzt, um die Modellrobustheit für verschiedene Bildgebungsmodalitäten zu verbessern. Zur Validierung wird eine Plattform zur Optimierung von Kalzium-Scoring-Methoden aufgebaut. Eine Human-AI-Schnittstelle wird entwickelt, um Bildqualität, Modellleistung und Erklärbarkeit der Modelle zu bewerten. Dies fördert die Einbindung von Radiologinnen und Radiologen und verbessert die Transparenz. Das Training und die interne Validierung erfolgen mit über 3.500 EKG-gesteuerten, kontrastmittelfreien CTs aus Studien und klinischen Routinedaten sowie mehr als 22.500 niedrigdosierten Thorax-CTs aus verschiedenen Kohorten. Die externe Validierung umfasst über 5.000 CT-Scans aus dem Scottish Medical Imaging Dataset und 28.000 CTs aus der SCAPIS-Studie, um eine breite klinische Anwendbarkeit sicherzustellen. Die entwickelte Pipeline wird die automatisierte Quantifizierung von Koronarkalk verbessern und die klinische Integration erleichtern. Höhere Modellgenauigkeit, mehr Transparenz und eine stärkere Einbindung von Radiologinnen und Radiologen werden das Vertrauen in KI-gestützte Diagnostik fördern und die klinische Akzeptanz dieser Technologie unterstützen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Großbritannien, Schweden
• Mitverantwortlich: Professor Dr. Marc Dewey
• Kooperationspartnerinnen / Kooperationspartner: Professor Dr. Göran Bergström; Professorin Dr. Michelle Williams