RöKo 2024 – Deep-Learning-Rekonstruktion in der MRT

RöKo 2024 – Deep-Learning-Rekonstruktion in der MRT

Kombinierte Ansätze aus beschleunigter Bildgebung und Deep-Learning-Modellen erlauben in der MR-Bildgebung eine signifikante Verkürzung der Akquisitionszeiten bei mindestens gleichwertiger Bildqualität.

  • Präsentationstag:
    09.05.2024 0 Kommentare
  • Autor:
    mh/ktg
  • Sprecher:
    Felix Harder, TU München
  • Quelle:
    RöKo 2024

Drei Gründe für DL-unterstütze Rekonstruktion in der MRT

Felix Harder, TU München, nannte die wesentlichen Anlässe, sich mit Deep-Learning-basierter Rekonstruktion in der MRT-Bildgebung zu befassen:

  • Die Akquisitionszeiten sind lang.
  • Häufig sind Kompromisse erforderlich zwischen Akquisitionszeit und Bildqualität.
  • Die Rekonstruktionsalgorithmen nehmen viel Rechenkapazität in Anspruch.

Häufig verwendete Deep-Learning-Modelle

  • ‚End-to-end‘ trainierte Neural Networks werden in der FastMRI Reconstruction Challenge verwendet, einem Kollaborationsprojekt von Facebook AI research und NYU Langone Health. Sie werden an Rohdatensätzen trainiert.
  • ‚Plug&Play mit vortrainierter Rauschreduktion' erlaubt das Arbeiten mit relativ wenig Trainingsdaten, die Ergebnisse sind aber „oft nicht ganz so gut“.
  • ‚Generative‘ KI-Modelle arbeiten mit künstlich generierten Bildern. Es besteht das Risiko von Halluzinations-Artefakten.
  • ‚Supervised Learning‘ ist die gegenwärtig am häufigsten verwendete Technik. Das System lernt durch den Vergleich von Bildern mit vollständiger und unvollständiger Abtastung des k-Raums.
  • ‚Transfer Learning‘ dient dazu, einem Algorithmus beizubringen, basierend auf einer ursprünglichen Aufgabe eine neue Zielaufgabe zu bewältigen. Bestehende Modelle werden für verwandte Aufgaben mit neuen Daten neu trainiert. Transfer Learning ähnelt dem menschlichen Lernen.

Kürzere Akquisitionszeit bei gleichbleibender Bildqualität

Ein Ansatz zum Verkürzen der Aufnahmezeiten besteht in der unvollständigen Akquisition des k-Raums. Die parallele Bildgebung nutzt dafür Spulen mit mehreren Spulenelementen. Algorithmen wie SENSE oder GRAPPA erlauben eine Beschleunigung um den Faktor 1,5 bis 4. Deep Learning kann helfen, die Spulen optimal anzuordnen.

Mit unvollständiger Abtastung des k-Raums arbeitet auch das Compressed Sensing. Beide Techniken – Parallele Bildgebung und Compressed Sensing –lassen sich nicht nur gemeinsam anwenden, sondern auch mit Deep Learning-Ansätzen kombinieren.

Die DL-basierte Rekonstruktion kann Artefakte reduzieren, die Auflösung verbessern und die Akquisition weiter beschleunigen. Harder präsentierte dazu aktuelle Studien:

Beispiele für DL-Rekonstruktion in der MRT

1) Rauschreduktion

Prostata-MRT: In ihrer prospektiven Studie zeigten Harder et al. (Cancers 2022) eine signifikante Reduktion des Rauschens für ihren kombinierten Ansatz aus Compressed Sensing, paralleler Bildgebung und KI im Vergleich zum Compressed Sensing und paralleler Bildgebung ohne KI.

Schultergelenks-MRT: Die Bewertung von Pathologien des Schultergelenks ist bei besserer Bildqualität und höherem SNR möglich, wenn ein auf Compressed Sensing und Deep Learning basierender Ansatz für Bildrekonstruktion und Rauschreduktion verwendet wurde (Feuerriegel 2023).

2) Beschleunigte Akquisition

Prostata-MRT: Dieselbe Studie von Harder et al. zeigte auch, dass sich die T2-gewichtete Bildgebung der Prostata um 58% beschleunigen ließ, bei gleichzeitig deutlich besserer Bildqualität.

Sprunggelenk: Die Akquisitionszeiten lassen sich mit einem kombinierten Ansatz von Compressed Sensing und DL um 47% reduzieren im Vergleich zu Compressed Sensing allein, ohne dass die diagnostische Bildqualität darunter leidet (Foreman 2022). „Wer mit der Technik weniger vertraut ist, bemängelt gelegentlich die etwas künstlich wirkende Textur der Bilder“, sagte Harder.

Aktuelle Herausforderungen

Distribution Shift: Ein trainiertes DL-Modell muss generalisierbar sein, das heißt: Es muss in der Lage sein, auch unbekannte Bilder genau zu rekonstruieren. Von Distribution Shift (Verteilungsverschiebung) spricht man, wenn sich die Verteilung der Daten ändert, zum Beispiel durch Input aus anderen Scannern oder durch geänderte Scanprotokolle, aber auch durch Änderungen der untersuchten Population. Distribution Shift kann zu signifikanten Unterschieden in der Performance führen.

Bias: Das Training an homogenen Datensätzen, etwa hinsichtlich Geschlecht oder ethnischer Zugehörigkeit, kann zu Verzerrungen führen. Wie sich das beim Thorax-Röntgen benachteiligter Ethnien in Form systematischer Unterdiagnosen auswirken kann, beschreiben Seyyed-Kalantari et al. (Nat Med 2021).

Halluzinationsartefakte + Informationsverlust: DL-Modelle können zu Halluzinationsartefakten führen. Das sind falsche, aber realistisch anmutende Merkmale, die in den zugrundeliegenden Daten gar nicht vorhanden sind. Sie treten bei hohem Beschleunigungsfaktoren vermehrt auf und werden oft radiologisch nicht bemerkt. Durch die mittels DL beschleunigte Rekonstruktion können aber umgekehrt auch in den Ausgangsdaten enthaltene Informationen verloren gehen.

ADC-Verzerrungen in der Diffusionsbildgebung (DWI): ADC-Verzerrungen und zufällige Messfehler in der DWI bei niedrigem SNR sind typischerweise mit der Scan-Beschleunigung assoziiert. Sie lassen sich durch die DL-basierte Compressed-Sense-Rekonstruktion wirksam reduzieren. Das zeigt eine neue Arbeit aus Aachen (Lemainque 2024).

Eine Verkürzung der Aufnahmezeit um 39% ist auch bei der DWI der Prostata möglich durch Einsatz von DL-Bildrekonstruktion, ohne dass es zu Einbußen bei der Bildqualität kommt (Ursprung 2023).

Fazit

Kombinierte Ansätze aus beschleunigter Bildgebung und Deep-Learning-Modellen erlauben in der MR-Bildgebung eine signifikante Verkürzung der Akquisitionszeiten bei mindestens gleichwertiger Bildqualität.

Harder FN et al. Prospectively Accelerated T2-Weighted Imaging of the Prostate by Combining Compressed SENSE and Deep Learning in Patients with Histologically Proven Prostate Cancer. Cancers. 2022; 14(23):5741

Feuerriegel GC et al. Evaluation of a deep learning-based reconstruction method for denoising and image enhancement of shoulder MRI in patients with shoulder pain. Eur Radiol. 2023 Jul;33(7):4875-4884

Foreman SC et al. Deep learning-based acceleration of Compressed Sense MR imaging of the ankle. Eur Radiol. 2022 Dec;32(12):8376-8385

Lemainque T et al. Reduction of ADC bias in diffusion MRI with deep learning-based acceleration: A phantom validation study at 3.0 T. Magn Reson Imaging. 2024 Apr 15;110:96-103

Seyyed-Kalantari L et al. Underdiagnosis bias of artificial intelligence algorithms applied to chest radiographs in under-served patient populations. Nat Med 2021;27:2176–2182

Ursprung S et al. Accelerated diffusion-weighted imaging of the prostate using deep learning image reconstruction: A retrospective comparison with standard diffusion-weighted imaging. Eur J Radiol. 2023 Aug;165:110953

Sie müssen sich einloggen, um Kommentare zu verfassen.

Ihr direkter Draht zu uns