Bei der Untersuchung des Herzens erzielt ein Kardio-MRT eine hohe räumliche Auflösung und verursacht im Gegensatz zu einem CT oder Herzkatheter keine Belastung durch Röntgenstrahlen. Diese Art der medizinischen Bildgebung ist jedoch zeitaufwendig, da ein Bild aus Daten vieler Einzelmessungen zusammengesetzt wird. Forscher der TU Graz arbeiten in einem internationalen Team daran, die Messungen ohne Qualitätseinbußen zu beschleunigen - mithilfe von "selbstüberwachtem Lernen".
In der Herzdiagnostik nutzen Ärzte unterschiedliche Untersuchungsmethoden - bildgebende Verfahren ermöglichen den Blick von außen ins Herz und sind aus der Herzkreislaufmedizin nicht mehr wegzudenken. Mit der Magnetresonanztomografie (MRT) lassen sich die Anatomie des Herzens, die Funktion der Kammern, das Gewebe und Schäden des Herzmuskels anschaulich darstellen. Der Patient liegt dabei in einer Magnetröhre und durch sehr schnell wechselnde Magnetfelder und elektromagnetische Impulse lassen sich zusammen mit einem Computer Schnittbilder des Organs erstellen. Patienten müssen sich jedoch eine Untersuchungszeit bis zu 60 Minuten einstellen - so lange dauert es, bis die Messungen durchgeführt und der Computer die Bilder berechnet hat.
Der Einsatz von Machine Learning ermöglicht eine Bildgebung auch mit weniger MRT-Messdaten. Voraussetzung für diesen zeit- und kostensparenden Weg sind jedoch perfekte Bilder, mit denen die KI-Modelle überhaupt erst trainiert werden können. Für Echtzeit-Bewegtbild-MRT des schlagenden Herzens gibt es solche perfekten Trainingsbilder nicht, da sie bisher immer noch zu unscharf sind, wie am Mittwoch vonseiten der TU Graz erklärt wurde. Nun ist es einer internationalen Forschungsgruppe um Martin Uecker und Moritz Blumenthal vom Institute of Biomedical Imaging der TU Graz jedoch gelungen, präzise Live-MRT-Bilder auch ohne solche Trainingsbilder und anhand sehr weniger MRT-Daten herzustellen. Die Ergebnisse wurden kürzlich im Fachmagazin Magnetic Resonance in Medicine veröffentlicht.
Methoden des "Self-Supervised Learnings" angewendet
Uecker und Blumenthal nutzen für das Training ihres Machine-Learning-Modells Methoden des "Self-Supervised Learnings" - einem Mittelweg zwischen überwachtem und unüberwachtem Lernen im Bereich des maschinellen Lernens: Dabei werden im speziellen Fall nicht vorweg kuratierte perfekte Bilder zum Trainieren des Modells herangezogen, sondern ein Teil der Ausgangsdaten, aus denen das Modell die Bilder rekonstruieren soll.
"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", wie Blumenthal erklärte. Gelingt dies dem System nicht oder nur schlecht, muss das zuvor rekonstruierte Bild falsch gewesen sein. In so einem Fall wird das Modell aktualisiert, es erstellt eine neue verbesserte Bildvariante und versucht erneut, die zweite Datenportion zu berechnen.
Dieser Vorgang wird so lange wiederholt, bis das Ergebnis stimmig ist. Dabei lernt das System aus einer Vielzahl der Rekonstruktionen in diesem Trainingsprozess, wie gute MRT-Bilder aussehen sollten. Damit wird das Modell darauf vorbereitet, in der späteren Anwendung direkt ein gutes Bild zu berechnen. Aus Sicht von Martin Uecker ist das Verfahren bereits anwendungsreif, "auch wenn es vermutlich noch etwas dauern wird, bis es in der Praxis auch tatsächlich eingesetzt wird".
Neuer Ansatz könnte viele Anwendungen beschleunigen
Laut den Grazer Experten könne die neue Methode für weitere MRT-Anwendungen herangezogen werden, um diese schneller und damit günstiger zu machen. Etwa die quantitative MRT, bei der physikalische Gewebe-Parameter exakt gemessen und quantifiziert werden. "Bisher dauern quantitative MRT-Messungen aber oft sehr lang. Mit unserem Machine-Learning-Modell konnten wir diese Messungen ohne Qualitätseinbußen stark beschleunigen", sagte Uecker.
An der internationalen Kooperation des Institute of Biomedical Imaging waren auch u. a. Kardiologen, Mathematiker und MRT-Forscher der Universitätsmedizin Göttingen, der Universität Innsbruck und der Harvard Medical School beteiligt. Die Algorithmen und MRT-Daten sind öffentlich, wodurch andere Forschende die Ergebnisse direkt nachvollziehen und auf der neuen Methode aufbauen können, wurde betont.
Service: "Self-supervised learning for improved calibrationless radial MRI with NLINV-Net", In: Magnetic Resonance in Medicine 2024, https://onlinelibrary.wiley.com/doi/10.1002/mrm.30234, DOI: 10.1002/mrm.30234
(APA/red, Foto: APA/Helmut Lunghammer/TU Graz/helmut lunghammer/)