Bildgebende Verfahren

KI beschleunigt MRT des Blutflusses

17. April 2020, 11:30 Uhr   |  ETH Zürich

KI  beschleunigt MRT des Blutflusses
© Visualisierung: CMR Zurich

Das neue MRT-Verfahren ermöglicht es, präzise Bilder des Blutflusses in Zukunft in weniger als fünf Minuten zu erhalten.

Forscher von ETH und Universität Zürich entwickeln Methode für dynamische Magnetresonanztomografie (MRT)

Bildgebende Verfahren helfen, Herz-​Kreislauf-Erkrankungen früher zu erkennen. Präzise Untersuchungen sind jedoch sehr zeitaufwändig. Forscher von ETH und Universität Zürich stellen nun eine Methode vor, die dynamische Magnetresonanztomografien (MRI) des Blutflusses massiv beschleunigen könnte.

»Dank dieses Verfahrens könnte die quantitative Magnetresonanztomografie enorme Fortschritte machen«, sagt Sebastian Kozerke, Professor für Biomedizinische Bildgebung an ETH und Universität Zürich. Zusammen mit Valery Vishnevskiy und Jonas Walheim hat er eine Methode entwickelt, die das sogenannte 4D-​Fluss-MRT beschleunigt. Heute dauern Aufnahme und Nachverarbeitung eines 4D-​Fluss-MRTs bis zu 30 Minuten. »Unsere Resultate zeigen, dass dies in Zukunft innerhalb von fünf Minuten möglich sein könnte.« Die zu Grunde liegende Arbeit ist Mitte April im Fachjournal Nature Machine Intelligence als Artikel und Cover der April-​Ausgabe erschienen.

4D-​Fluss-MRT ist zeitaufwändig

Die Magnetresonanztomografie (MRT oder MRI) ist ein wichtiges Verfahren für die klinische Diagnose.  Darüber hinaus liefern spezielle Aufnahmetechniken Informationen über die Dynamik des Herzkreislaufsystems. Insbesondere erlauben 4D-​Fluss-MRT-Messungen, dynamische Veränderungen des Blutflusses in den Blutgefäßen zu quantifizieren. Solche dynamischen Bilder sind insbesondere zur Erkennung von Herz-​Kreislauf-Erkrankungen von grossem Nutzen.

Das heute gängige 4D-​Fluss-MRT hat jedoch einen gewichtigen Nachteil: Die Methode ist sehr zeitaufwändig. Zwar kann die Datenaufnahme im Scanner bereits innerhalb von vier Minuten erfolgen. Jedoch hat diese komprimierte Erfassung (sogenanntes Compressed Sensing) ihren Preis: Die folgende Bildrekonstruktion erfolgt iterativ und dauert darum sehr lange.

Bis die Bilder auf dem Rechner des Arztes sind, vergehen 25 Minuten und mehr. Entsprechend liegen die Ergebnisse der Messung erst lange, nachdem der Arzt die Untersuchung abgeschlossen hat, vor. Aus diesen Gründen hat sich das 4D-​Fluss-MRI im medizinischen Alltag noch nicht durchgesetzt. Veränderungen von Blutflussströmungen werden heute primär mittels Ultraschall diagnostiziert – eine schnellere, aber im Vergleich zum MRI weniger präzise Methode.

Elegante und effiziente KI-Algorithmen

Im eben veröffentlichten Fachartikel zeigen die Forscher von ETH und Universität Zürich einen Weg auf, wie die Bildrekonstruktion für das 4D-​Fluss-MRI schneller und damit praxistauglicher gemacht werden kann. Die Lösung seien elegante und effiziente Algorithmen auf der Basis neuronaler Netzwerke, erklärt Kozerke.

Vishnevskiy, Kozerke und Walheim nennen ihren neuen Ansatz FlowVN. Dieser basiert auf maschinellem Lernen, konkret auf sogenanntem Deep Learning. Die Software lernt aus Daten, mit denen sie vorgängig trainiert wird. Das Besondere an FlowVN sei die Effizienz, denn die Methode kombiniert Training mit dem Vorwissen über die Aufnahmetechnik.

Das heiß, dass nicht Tausende von Trainingsbeispielen benötigt werden, sondern auf der Basis von wenigen Daten generalisiert wird. «Das Netzwerk braucht also nur sehr wenig Training, um verlässliche Ergebnisse zu liefern», erklärt Vishnevskiy.

Dass das funktioniert, konnten die Forscher in der eben erschienenen Arbeit zeigen. Sie trainierten die Software mit 11 MRT-​Scans von gesunden Probanden. Diese Daten genügten, um innerhalb von nur 21 Sekunden auf einem gewöhnlichen Rechner pathologischen Blutfluss in der Aorta eines Patienten präzise wiederzugeben. Das Verfahren war damit um ein Vielfaches schneller als herkömmliche Methoden.

Links

Den Artikel im Fachjournal Nature Machine Intelligence  finden Sie hier

Einen Beitrag zu den physikalischen Grundlagen eines MRTs finden Sie hier

(me)

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Verwandte Artikel

ETH Zürich