Implementation of a phase detection algorithm for dynamic cardiac computed tomography analysis based on time dependent contrast agent distribution

Abstract

This paper presents a phase detection algorithm for four-dimensional (4D) cardiac computed tomography (CT) analysis. The algorithm detects a phase, i.e. a specific three-dimensional (3D) image out of several time-distributed 3D images, with high contrast in the left ventricle and low contrast in the right ventricle. The purpose is to use the automatically detected phase in an existing algorithm that automatically aligns the images along the heart axis. Decision making is based on the contrast agent distribution over time. It was implemented in KardioPerfusion – a software framework currently being developed for 4D CT myocardial perfusion analysis. Agreement of the phase detection algorithm with two reference readers was 97% (95% CI: 82–100%). Mean duration for detection was 0.020 s (95% CI: 0.018–0.022 s), which was 800 times less than the readers needed (16 ± 7 s, p < 0.001). Thus, this algorithm is an accurate and fast tool that can improve work flow of clinical examinations.

Dieser Artikel stellt einen Phasendetektionsalgorithmus für vierdimensionale (4D) Herz Computer Tomographie (CT) Analysen vor. Der Algorithmus detektiert aus mehreren zeitlich verteilten 3D Bildern eine Phase, d.h. eine spezifisches dreidimensionales (3D) Bild, mit hohem Kontrastmittelgehalt im linken Ventrikel und niedrigem im rechten Ventrikel. Der Zweck ist die Verwendung der automatisch detektierte Phase in einem existierendem Algorithmus, der das Bild entlang der Herzachse ausrichtet. Die Entscheidungsfindung des Algorithmus basiert auf der Kontrastmittelverteilung in Abhängigkeit von der Zeit. Der Algorithmus wurde in KardioPerfusion – einem Software System, das gerade für 4D myokardiale CT Perfusionsanalysen entwickelt wird – eingebunden. Die Übereinstimmung des Phasendetektionsalgorithmus mit 2 Referenzlesern betrug 97% (95% CI: 82–100%). Die Durchschnittliche Zeit für die Detektion betrug 0.020 s (95% CI: 0.018–0.022 s), was 800 mal schneller war als die Zeit, die die Referenzleser brauchten (16 ± 7 s, p < 0.001). Deshalb ist der Algorithmus ein akkurates und schnelles Hilfsmittel, das den Arbeitsablauf einer klinischen Untersuchung verbessern kann.