Die medizinische Bildgebung mittels Magnetresonanztomographie (MRT) ist sehr zeitaufwändig, da ein Bild aus Daten von vielen Einzelmessungen zusammengesetzt werden muss. Durch den Einsatz von Machine Learning gelingt die Bildgebung auch mit weniger MRT-Messdaten, was Zeit und Kosten spart. Die Voraussetzung dafür aber sind perfekte Bilder, um damit die KI-Modelle zu trainieren. Für gewisse Anwendungen wie zum Beispiel 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 raffiniert 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.
Kalibrierung der Bildgebung durch vorenthaltene Daten
Um ihr Machine-Learning-Modell für die MRT-Bildgebung zu trainieren, nutzten Martin Uecker und Moritz 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. Moritz 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.“
Gelingt dem System dies nicht oder nur schlecht – so die zugrundeliegende Logik –, muss das zuvor rekonstruierte Bild falsch gewesen sein. Das Modell wird aktualisiert, es erstellt eine neue verbesserte Bildvariante und versucht erneut, die zweite Datenportion zu berechnen. Dieser Vorgang läuft über eine Vielzahl von Runden, bis das Ergebnis stimmig ist. Dabei lernt das System aus einer Vielzahl solcher Rekonstruktionen in diesem Trainingsprozess, wie gute MRT-Bilder aussehen sollten. Später, während der Anwendung, kann das Modell dann direkt ein gutes Bild berechnen.
Verfahren kann viele MRT-Anwendungen schneller und günstiger machen
„Unser Verfahren ist anwendungsreif“, sagt Martin Uecker, „auch wenn es vermutlich noch etwas dauern wird, bis es in der Praxis auch tatsächlich eingesetzt wird.“ Die Methode kann für viele weitere MRT-Anwendungen verwendet werden, um diese schneller und damit günstiger zu machen. Dazu zählt etwa die quantitative MRT, bei der physikalische Gewebe-Parameter exakt gemessen und quantifiziert werden. „Dadurch können Radiologen für Diagnosen auf exakte Daten zurückgreifen, anstatt Bilder anhand von Helligkeitsunterschieden auf Basis von Erfahrungswerten interpretieren zu müssen“, erläutert Martin Uecker. „Bislang dauern quantitative MRT-Messungen aber oft sehr lang. Mit unserem Machine-Learning-Modell konnten wir diese Messungen ohne Qualitätseinbußen stark beschleunigen.“
