Kan AI rekonstruere 3D-bonestrukturer ud fra standard røntgenbilleder ?

Medicinsk billeddannelse er ofte afhængig af CT-scanninger til detaljerede 3D-rekonstruktioner, men disse er kostbare og udsætter patienter for højere stråling. Standard røntgenbilleder er mere tilgængelige, men mangler dybdeinformation. AI-algoritmer kunne potentielt udlede 3D-bonemodeller fra 2D-røntgenbilleder, hvilket ville forbedre diagnostisk nøjagtighed uden yderligere billeddannelse.

Nuværende AI-systemer kan rekonstruere grove 3D-boneskabeloner ud fra to eller flere standard røntgenbilleder ved hjælp af dyb læring-modeller, der er trænet på store datasæt med parrede røntgenbilleder og CT-volumener, men rekonstruktionerne forbliver upræcise og mangler den fine detaljegrad, der er typisk for CT-scanninger. Nøjagtigheden er højest for tæt kortikal knogle og falder for trabekulær knogle og små strukturer, og tilgangen anvendes primært til kirurgisk planlægning og opfølgning frem for definitive diagnoser. Forskningsprototyper viser lovende resultater for single-view-metoder under begrænsede vinkler, men disse halter stadig bagefter multi-view-nøjagtighed og kræver specialiseret kalibrering.

— Opdateret 12. maj 2026 · Kilde: Radiological Society of North America (RSNA) — https://pubs.rsna.org/doi/10.1148/radiol.2023222655