Neue Machine-Learning-Methode verbessert Bildqualität von Echtzeit-MRT-Videos
Artikel jetzt als Podcast anhören
Inhaltsverzeichnis
Forscher der TU Graz haben mithilfe von Machine Learning eine neue Methode entwickelt, die die Bildqualität von Echtzeit-MRT-Videos deutlich verbessert. Das Besondere: Für das Training des Machine-Learning-Modells wurden keine perfekten Bilder benötigt, sondern es reichten wenige, unscharfe Aufnahmen.
Echtzeit-MRT: Einblicke in Bewegung
Die Magnetresonanztomographie (MRT) ist ein etabliertes bildgebendes Verfahren in der Medizin. Während sie klassischerweise zur Darstellung von statischen Bildern verwendet wird, ermöglicht die Echtzeit-MRT den Blick auf Bewegungen im Körperinneren. So können beispielsweise das schlagende Herz, Gelenkbewegungen oder Schluckvorgänge in Echtzeit beobachtet werden.
Die Echtzeit-MRT bietet im Vergleich zu statischen MRT-Aufnahmen den Vorteil, dass dynamische Prozesse direkt visualisiert werden können. Dies ist besonders relevant, um Funktionsstörungen zu erkennen, die auf Einzelbildern nicht sichtbar sind. Allerdings geht die höhere Bildrate oft zu Lasten der Bildqualität.
Herausforderung: Unscharfe Trainingsbilder
Um die Bildqualität von Echtzeit-MRT-Videos zu verbessern, setzen Forscher vermehrt auf Machine Learning. Dabei werden Algorithmen mit großen Datensätzen trainiert, um Muster zu erkennen und so die Bildgebung zu optimieren. Die Herausforderung besteht jedoch darin, dass es für das Training dieser Algorithmen oft an perfekten Bildern fehlt. Im Bereich der Echtzeit-MRT sind die verfügbaren Trainingsbilder häufig unscharf und in geringer Anzahl vorhanden, was das Training der Algorithmen erschwert.
Selbstlernende Algorithmen für präzisere Bilder
Einem Team um Martin Uecker und Moritz Blumenthal vom Institute of Biomedical Imaging der TU Graz ist es nun gelungen, ein Machine-Learning-Modell zu entwickeln, das trotz dieser Einschränkungen präzisere Echtzeit-MRT-Bilder erzeugt. Der Schlüssel liegt im sogenannten "Self-supervised Learning".
Bei diesem Ansatz werden die vorhandenen, unscharfen MRT-Bilder nicht direkt zum Trainieren des Algorithmus verwendet. Stattdessen teilen die Forscher die vom MRT-Gerät gelieferten Messdaten in zwei Teile auf. Aus dem ersten, größeren Teil rekonstruiert der Algorithmus ein Bild. Anschließend versucht er, aus diesem Bild den zweiten, zurückgehaltenen Teil der Messdaten zu berechnen. Stimmen beide Datensätze überein, gilt das Bild als korrekt. Weichen sie voneinander ab, wird der Algorithmus angepasst und der Prozess wiederholt.
Durch diese Methode des selbstlernenden Algorithmus, der über mehrere Durchgänge die bestmögliche Ergänzung der fehlenden Bildinformationen lernt, konnten die Forscher die Qualität der Echtzeit-MRT-Bilder deutlich verbessern.
Zeit- und Kostenersparnis in der Zukunft
Aktuell wird das Verfahren noch nicht in der klinischen Praxis eingesetzt. Die Forscher sind jedoch überzeugt, dass die Technologie großes Potenzial für die Zukunft birgt. So könnte das Verfahren nicht nur die Echtzeit-MRT, sondern auch andere MRT-Anwendungen, wie die quantitative MRT, effizienter machen.
Die quantitative MRT dient der präzisen Messung von Gewebeparametern. Diese Messungen sind jedoch sehr zeitaufwendig. Mit der neuen Methode der TU Graz könnten diese Messungen deutlich beschleunigt werden, ohne dabei Qualitätseinbußen in Kauf nehmen zu müssen. Dies würde nicht nur Zeit, sondern auch Kosten sparen.
Künstliche Intelligenz in der Radiologie
Der Einsatz von künstlicher Intelligenz (KI) in der Radiologie ist ein vielversprechendes Feld, das sich rasant entwickelt. KI-basierte Systeme können Radiologen bereits heute bei der Auswertung von Bildern unterstützen und beispielsweise Tumore erkennen. Die neue Methode der TU Graz zeigt, dass KI auch dazu beitragen kann, die MRT-Bildgebung selbst zu verbessern und effizienter zu gestalten.
Die Kombination aus immer leistungsstärkerer Hardware und innovativen Algorithmen wird die Rolle der KI in der Medizin in Zukunft weiter stärken und neue Möglichkeiten für Diagnose und Therapie eröffnen.
