Purpose: The aim of this study was to develop an algorithm for automated estimation of patient height and weight during computed tomography (CT) and to evaluate its accuracy in everyday clinical practice.
Materials and methods: Depth images of 200 patients were recorded with a 3D camera mounted above the patient table of a CT scanner. Reference values were obtained using a calibrated scale and a measuring tape to train a machine learning algorithm that fits a patient avatar into the recorded patient surface data. The resulting algorithm was prospectively used on 101 patients in clinical practice and the results were compared to the reference values and to estimates by the patient himself, the radiographer and the radiologist. The body mass index was calculated from the collected values for each patient using the WHO formula. A tolerance level of 5 kg was defined in order to evaluate the impact on weight-dependent contrast agent dosage in abdominal CT.
Results: Differences between values for height, weight and BMI were non-significant over all assessments (p > 0.83). The most accurate values for weight were obtained from the patient information (R² = 0.99) followed by the automated estimation via 3D camera (R² = 0.89). Estimates by medical staff were considerably less precise (radiologist: R² = 0.78, radiographer: R² = 0.77). A body-weight dependent dosage of contrast agent using the automated estimations matched the dosage using the reference measurements in 65 % of the cases. The dosage based on the medical staff estimates would have matched in 49 % of the cases.
Conclusion: Automated estimation of height and weight using a digital twin model from 3D camera acquisitions provide a high precision for protocol design in computer tomography.
Key points: · Machine learning can calculate patient-avatars from 3D camera acquisitions.. · Height and weight of the digital twins are comparable to real measurements of the patients.. · Estimations by medical staff are less precise.. · The values can be used for calculation of contrast agent dosage..
Citation format: · Geissler F, Heiß R, Kopp M et al. Personalized computed tomography - Automated estimation of height and weight of a simulated digital twin using a 3D camera and artificial intelligence. Fortschr Röntgenstr 2021; 193: 437 - 445.
Ziele: Ziel der Studie war es, einen Algorithmus zur Abschätzung von Größe und Gewicht der Patienten vor einer Computertomografie (CT) zu entwickeln und dessen Genauigkeit im klinischen Alltag zu evaluieren.
Material und methoden: Mit einer über dem Patiententisch montierten 3D-Kamera wurden Tiefenbilder von 200 Patienten aufgenommen und zusammen mit den Referenzwerten einer geeichten Waage und eines Maßbandes zum Trainieren eines maschinellen Lernalgorithmus verwendet. Dies erfolgte über die Anpassung eines Patienten-Avatars an die aufgenommenen Oberflächeninformationen. Der so entstandene automatische Algorithmus wurde dann prospektiv im klinischen Alltag an 101 Patienten angewandt und die Ergebnisse mit den gemessenen Referenzwerten, den Patientenangaben sowie den Schätzwerten durch das technische und ärztliche Personal verglichen. Der Body-Mass-Index wurde aus den erhobenen Werten für jeden Patienten mit der WHO-Formel berechnet. Um die Auswirkungen auf die Kontrastmittelmenge bei gewichtsabhängiger Dosierung abschätzen zu können, wurde eine Toleranz von 5 kg definiert.
Ergebnisse: Die Unterschiede zwischen den erhobenen Werten für Größe, Gewicht und BMI waren für alle Methoden nicht signifikant (p > 0,83). Die genauesten Werte für das Gewicht wurden aus der Patientenangabe (R² = 0,99), gefolgt von der automatischen Erfassung über die 3D-Kamera (R² = 0,89), erzielt. Abschätzungen durch das medizinische Personal waren deutlich ungenauer (Radiologe: R² = 0,78; MTRA: R² = 0,77). Eine gewichtsabhängige Kontrastmitteldosierung mit den Werten der automatischen Abschätzung wäre im Vergleich zur Dosierung anhand der Referenzmessungen in 65 % der Fälle identisch gewesen. Analog wären bei einem Vorgehen basierend auf Schätzwerten des Personals 49 % der Patienten identisch dosiert worden.
Schlussfolgerung: Die automatisierte Abschätzung von Größe und Gewicht mit einer 3D-Kamera kann durch ein digitales Zwillingsmodell mit hoher Präzision für die Untersuchungsplanung in der Computertomografie verwendet werden.
Kernaussagen: · Patienten-Avatare können durch maschinelles Lernen aus 3D-Kameraaufnahmen berechnet werden.. · Die Größe und das Gewicht der digitalen Zwillinge sind mit den realen Messwerten der Patienten vergleichbar.. · Schätzungen durch medizinisches Personal sind weniger genau.. · Die Werte können zur Berechnung der Kontrastmitteldosis verwendet werden..
Zitierweise: · Geissler F, Heiß R, Kopp M et al. Personalized computed tomography – Automated estimation of height and weight of a simulated digital twin using a 3D camera and artificial intelligence. Fortschr Röntgenstr 2021; 193: 437 – 445.
Thieme. All rights reserved.