Neues Machine Learning Verfahren: Präzise MRT-Videos trotz weniger Messdaten
Wissenschaftlern des MRI-Lab Graz gelingen präzisere MRT-Videos mit Hilfe neuer Machine-Learning-Methode. Dies war trotz unscharfer Trainingsbilder möglich.
Eine Patientin bespricht eine MRT Untersuchung mit ihrem Arzt.
(Bild: antoniodiaz / Shutterstock.com)
Forschenden der TU Graz ist es gelungen, die Videoqualität von Echtzeit-MRT zu erhöhen. Trotz weniger und unscharfer Trainingsbilder schafft es ein eigenes Machine-Learning-Modell, durch die Ergänzung ausgelassener Inhalte nach mehreren Durchgängen gute Bilder zu liefern. Das Verfahren lässt sich auch auf andere MRT-Anwendungen abbilden und soll in Zukunft Zeit und Geld sparen.
Ein Echtzeit-MRT ermöglicht den Blick ins Innere, wenn es darum geht, Bewegungsabläufe zu begutachten. Das wird zum Beispiel relevant, wenn das schlagende Herz oder Gelenk- und Schluckbewegungen beurteilt werden sollen. Im Vergleich zu statischen MRT-Bildern sehen Ärztinnen und Ärzte die Situation in Echtzeit. Das geht allerdings zu Lasten der Bildqualität.
Was die Herausforderung war
Das Team um Martin Uecker und Moritz Blumenthal vom Institute of Biomedical Imaging ist es nun gelungen, ein KI-gestütztes Verfahren zu entwickeln, das die Bildqualität verbessert und in Zukunft Kosten und Zeit spart.
Die Herausforderung dabei: Es gibt für das Training der neuronalen Netze keine perfekten Bilder als Ausgangsmaterial, wie sie üblicherweise zum Training von KI-Modellen genutzt werden. Im Bereich der Echtzeit-MRT-Bilder müssen die Forscher auf wenige und zudem nicht ganz scharfe Bilder zurückgreifen. Um dieses Problem zu lösen, nutzen die Wissenschaftler für ihr Machine-Learning-Modell das Verfahren des "Self-supervised Learnings". Dafür entfernt das Team eine Teilmenge der vorhandenen Bilder und lässt diese vom Modell so oft ergänzen, bis das Bild mit den entfernten Motiven übereinstimmt. Das Ergebnis sind präzisere Echtzeitbilder.
Moritz Blumenthal erklärt das Verfahren 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." Diese Schritte werden wiederholt, bis das System über mehrere Versuche hinweg gelernt hat, wie es ein gutes Bild berechnet.
Derzeit noch nicht im Praxiseinsatz
Die Anwendung wird aktuell noch nicht in der Praxis eingesetzt, kann später aber auch im Bereich der quantitativen MRT, zum Beispiel zur Gewebebeurteilung, zeit- und geldsparend eingesetzt werden. "Dadurch können RadiologInnen für Diagnosen auf exakte Daten zurückgreifen, anstatt Bilder anhand von Helligkeitsunterschieden auf Basis von Erfahrungswerten interpretieren zu müssen", erklärt Martin Uecker und betont, dass auch hier die langen Messungen dank des neuen Modells künftig ohne Qualitätseinbußen beschleunigt werden könnten.
Wie künstliche Intelligenz bereits in der Radiologie eingesetzt wird, erzählt Felix Nensa, Professor für Radiologie mit Schwerpunkt KI an der Uniklinik Essen im Interview. Gerade im Bereich der Radiologie bietet sich der Einsatz künstlich intelligenter Systeme an, wenn es zum Beispiel um den Abgleich von Tumoraufnahmen geht. Als zweite Meinung und Hinweisgeber sind solche Anwendungen bereits länger im Einsatz.
(hoh)