Die medizinische Bildgebung mittels Magnetresonanztomografie (MRT) ist sehr zeitaufwändig, da ein Bild aus Daten von vielen Einzelmessungen zusammengesetzt werden muss. Durch den Einsatz von Machine Learning kann die Bildgebung auch mit weniger MRT-Messdaten gelingen. Dies kann Zeit und Kosten sparen. Die Voraussetzung dafür aber sind perfekte Bilder, um damit die KI-Modelle zu trainieren. Für gewisse Anwendungen wie z.B. Echtzeit-Bewegtbild-MRT gibt es solche perfekten Trainingsbilder nicht, da solche Aufnahmen bisher immer etwas unscharf sind. Einem internationalen Forschungsteam um Martin Uecker und Moritz Blumenthal vom Institute of Biomedical Imaging an der TU Graz ist es nun mithilfe speziell trainierter neuronaler Netze gelungen, präzise Live-MRT-Bilder des schlagenden Herzens auch ohne solche Trainingsbilder und mit nur sehr wenigen MRT-Daten zu erzeugen. Durch diese Verbesserungen könnte die Echtzeit-Bewegtbild-MRT zukünftig häufiger in der Praxis zum Einsatz kommen.
Einsatz von „Self-supervised Learning“
Um ihr Machine-Learning-Modell für die MRT-Bildgebung zu trainieren, nutzten Uecker und Blumenthal Methoden des „Self-supervised Learnings“: Dabei sind nicht vorab kuratierte perfekte Bilder die Grundlage zum Trainieren des Modells, sondern eine Teilmenge der Ausgangsdaten, aus denen das Modell die Bilder rekonstruieren soll. Blumenthal erklärt es so: „Wir haben die vom MRT-Gerät gelieferten Messdaten in zwei Portionen aufgeteilt. Aus der ersten, größeren Datenportion rekonstruiert unser Machine-Learning-Modell das Bild. Anschließend versucht es, auf Basis des Bildes die ihm vorenthaltene, zweite Portion der Messdaten zu berechnen.“ Gelinge dem System dies nicht oder nur schlecht – so die zugrundeliegende Logik –, müsse das zuvor rekonstruierte Bild falsch gewesen sein. Das Modell werde aktualisiert, es erstelle eine neue verbesserte Bildvariante und versuche erneut, die zweite Datenportion zu berechnen. Dieser Vorgang laufe über eine Vielzahl von Runden, bis das Ergebnis stimmig sei. Dabei lerne das System aus einer Vielzahl solcher Rekonstruktionen in diesem Trainingsprozess, wie gute MRT-Bilder aussehen sollten. Später, während der Anwendung, könne das Modell dann direkt ein gutes Bild berechnen.
MRT-Anwendungen schneller und günstiger?
„Unser Verfahren ist anwendungsreif“, sagt Uecker, „auch wenn es vermutlich noch etwas dauern wird, bis es in der Praxis auch tatsächlich eingesetzt wird.“ Die Methode könne für viele weitere MRT-Anwendungen verwendet werden, um diese schneller und damit günstiger zu machen. Dazu zähle etwa die quantitative MRT, bei der physikalische Gewebe-Parameter exakt gemessen und quantifiziert werden. „Dadurch können Radiologinnen/Radiologen für Diagnosen auf exakte Daten zurückgreifen, anstatt Bilder anhand von Helligkeitsunterschieden auf Basis von Erfahrungswerten interpretieren zu müssen“, erläutert Uecker. „Bislang dauern quantitative MRT-Messungen aber oft sehr lang. Mit unserem Machine-Learning-Modell konnten wir diese Messungen ohne Qualitätseinbußen stark beschleunigen.“ Die Forschungsergebnisse sind das Ergebnis einer internationalen und interdisziplinären Kooperation des Institutes of Biomedical Imaging: Beteiligt waren u.a. Christina Unterberg (Kardiologin an der Universitätsmedizin Göttingen), Markus Haltmeier (Mathematiker an der Universität Innsbruck), Xiaoqing Wang (MRT-Forscher an der Harvard Medical School) und Chiara Fantinato (Erasmusstudentin aus Italien). Die Algorithmen und MRT-Daten sind öffentlich, sodass andere Forschende die Ergebnisse direkt nachvollziehen und auf der neuen Methode aufbauen können.
Hier finden Sie ein MRT-Video eines schlagenden Herzens.
Quelle: TU Graz
Artikel teilen
