Logo der Physikalisch-Technischen Bundesanstalt
Mit Metrologie in die Zukunft - Herausforderung Medizin

Künstliche Intelligenz für die Herzbildgebung

Die Kombination von physikalischem Modell und neuronalem Netz verbessert die medizinische Bildrekonstruktion

PTBnews 1.2022
17.01.2022
Besonders interessant für

Hersteller von MRT-Geräten

Bildrekonstruktion

Medizintechnik

Mit Magnetresonanztomografie kann bei Herzerkrankungen unter anderem die Pumpleistung des Herzens bestimmt werden. Ein Nachteil dabei ist die lange Datenaufnahme. An der PTB wurde durch die Kombination von physikalischem Modell und neuronalem Netz ein Verfahren entwickelt, mit dem aus sehr wenigen Messdaten – also in kurzer Messzeit – qualitativ hochwertige Bilder der einzelnen Phasen der Herzfunktion berechnet werden können.

MRT-Bild des Herzens in einer Phase des Herzzyklus. Links: direkt aus den gemessenen Daten rekonstruiertes Bild; Mitte: Resultat der entwickelten Methode; rechts: Referenzbild. Für das Referenzbild wurde eine mehr als 6-mal längere Messzeit benötigt.

Ein Magnetresonanztomograf (MRT) regt Wassermoleküle in den Körperzellen über hochfrequente Strahlung an und misst dann die abklingende Magnetisierung. Durch räumliche Kodierung werden die Messdaten im Fourier-Raum aufgenommen, aus denen dann die diagnostischen Bilddaten berechnet werden. Diese Bildrekonstruktion benötigt ein physikalisches Modell, das den Bildgebungsprozess beschreibt. Um in möglichst kurzer Messzeit möglichst viel diagnostische Information zu bekommen, nutzt man iterative Rekonstruktionsverfahren. Mithilfe von Vorwissen – etwa über die räumliche Glattheit – können so schon aus wenigen Messpunkten qualitativ hochwertige Bilder berechnet werden. Neuronale Netzwerke können dieses Vorwissen aus den Daten selbstständig lernen und damit für das Rekonstruktionsproblem optimieren.

An der PTB wurde ein iteratives Netz speziell für die Bildrekonstruktion von dynamischen Herzbildern entwickelt. Dabei werden das physikalische Modell der Bildgebung und das von dem Netzwerk gelernte Vorwissen über die Struktur der Bilddaten während des Trainings kombiniert. MRTBilder der Herzfunktion zeigen das Herz während unterschiedlicher Phasen des Herzzyklus. Diese zeitliche Komponente der Daten konnte verwendet werden, um ein möglichst effizientes Training sicherzustellen.

Die Methode wurde bei Patienten mit Herzerkrankungen angewandt und ausgewertet. Dabei wurde sie auch mit klassischen iterativen Rekonstruktionsverfahren sowie anderen Methoden des maschinellen Lernens verglichen. Das entwickelte Netz lieferte bessere Resultate als die klassischen Methoden (bis zu 6 dB im Signal-Rausch-Verhältnis, bis zu −47 % im relativen Fehler). Zudem erzielte das Netz ähnliche Resultate wie eine andere ebenfalls auf neuronalen Netzen basierenden Methode – und dies bei etwa lediglich einem Zehntel der trainierbaren Parameter, was für eine besondere Robustheit und Effizienz der neuen Methode spricht.

Ansprechpartner

Andreas Kofler
Fachbereich 8.1 Biomedizinische Magnetresonanz
Telefon: (030) 3848-7749
andreas.kofler(at)ptb.de

Wissenschaftliche Veröffentlichung

A. Kofler, M. Haltmeier, T. Schäffter, C. Kolbitsch: An end‐to‐end‐trainable iterative network architecture for accelerated radial multi‐coil 2D cine MR image reconstruction. Medical Physics 48, 2412–2425 (2021)

Opens external link in new windowhttps://aapm.onlinelibrary.wiley.com/doi/10.1002/mp.14809