TrueFidelity™

Unsere Vision: Mit Deep Learning in der Bildgebung noch mehr für Sie zu erreichen.

Eine auf Deep Learning basierende Bildrekonstruktion eröffnet Radiologen und MTRAs einzigartige neue Möglichkeiten für eine noch bessere Patientenversorgung. Als einer der führenden Hersteller im Bereich der Computertomographie seit beinahe einem halben Jahrhundert ist GE Healthcare bestens positioniert, um die Möglichkeiten dieser fortschrittlichen Technologie in der Praxis umzusetzen.

Als Pionier in der Wissenschaft der Bildrekonstruktion hat GE Healthcare diese Technologie immer weiter entwickelt. TrueFidelityTM CT-Bilder sind mehr als eine neue, radikale Verbesserung. Sie vermitteln ein ganz neues Verständnis von dem, was Sie mit TrueFidelityTM erreichen können.

Eine neue Ära der Bildrekonstruktion

deep learning image reconstruction


TrueFidelity Bilder eines Patienten mit einem BMI von 62 (180 kg, 1,73 m)

Wo Deep Learning das Lernen übernimmt

Eine auf Deep Learning basierte Bildrekonstruktion ist nur so gut wie das Training, das sie erhält. GE Healthcare trainiert seinen Rekonstruktions-Engine mit einem Verzeichnis von Tausenden von rauscharmen FBP-Bildern (Filtered Back Projection, gefilterte Rückprojektion), die als der Goldstandard in puncto Bildqualität gelten.
  • Design

    Erstellung von mehreren Schichten mathematischer Gleichungen, mit einem Deep Neural Network (DNN), das Millionen von Parametern verarbeiten kann.

  • Training

    Über das DNN fließt ein stark verrauschtes Sinogramm ein, und das resultierende Bild wird mit einer rauscharmen Version dieses Bildes verglichen. Die beiden Bilder werden basierend auf einer Vielzahl an Parametern wie Bildrauschen, Niedrigkontrastauflösung, Niedrigkontrasterkennbarkeit, Rauschtextur usw. verglichen. Im resultierenden Bild werden die Differenzen per Rückpropagation an das Netz weitergegeben, wodurch das DNN basierend auf dem gewünschten Output trainiert wird.

  • Überprüfung

    Das Netz muss klinische und simulierte Fälle rekonstruieren, denen es zuvor noch nie begegnet ist, darunter auch extrem seltene Fälle, die die Leistungsfähigkeit des Netzes bis zum Limit ausschöpfen und somit seine Robustheit auf die Probe stellen.

Vertrauen. Ohne Kompromisse.

Im Vergleich zur wohlbekannten, modellbasierten iterativen Rekonstruktion hebt die TrueFidelity CT-Bildgebung das Scannen auf eine ganz neue Ebene. Die Kontrastdarstellung bleibt erhalten, Rauschen und Artefakte werden minimiert, und die Konturen bleiben erkennbar, und zwar genau in dem Maße, daß eine bemerkenswerte Bildschärfe entsteht und keinerlei Kompromisse im Hinblick auf eine ungewöhnliche Rauschtextur eingegangen werden müssen.1

Praxisberichte


Prof. Ulf Teichgräber
Direktor am Institut für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Jena

„Gemeinsam mit GE Healthcare haben wir verschiedene Messprotokolle entwickelt und für DLIR optimiert.
Ein Klick reicht, um viele Untersuchungen durchzuführen und komplexe Auswertungen für alle wiederverwertbar abzuspeichern.“


TrueFidelityTM - Dual Phase CTA nach Nierentransplantation

Sehen Sie selbst

Arbeiten Sie bereits mit einem Revolution CT?
Wenden Sie sich an Ihren GE Healthcare Ansprechpartner, um Ihre eigenen, mit TrueFidelity rekonstruierten Bilder zu sehen.

Es ist an der Zeit, sich diese bessere Art zu sehen anzuschauen. Erfahren Sie mehr über die TrueFidelity-Bilder von GE Healthcare.

Ressourcen

Fallstudie Jena: Deep Learning in der RadiologieDownload
TrueFidelity BroschüreDownload
Technisches Whitepaper zur Bildrekonstruktion mit Deep LearningDownload
Begriffserklärung Deep LearningDownload

1. Ergebnisse einer klinischen Auswertung, bestehend aus 60Fällen und 9 Ärzten, wobei jeder Fall sowohl mit DLIR als auch mit ASiR‐V rekonstruiert und jeweils von 3 Ärzten ausgewertet wurde. Bei 100% der Bewertungen wurde die Bildschärfe von DLIR gleich gut oder besser bewertet als die von ASiR-V. Bei 91% der Bewertungen wurde die Rauschtextur von DLIR besser bewertet als die von ASiR-V. Diese Bewertung erfolgte auf der Grundlage der Präferenzen jedes einzelnen Befunders.