Deep learning in der MR Spektroskopiebildgebung

Die Magnetresonanzspektroskopische Bildgebung (MRSI) ist eine leistungsstarke Technik mit der die räumliche Verteilung biochemischer Verbindungen im menschlichen Gehirn sichtbar gemacht werden kann. Mit einer einzigen MRSI-Untersuchung können die Konzentrationen mehrere solcher biochemischen Verbindungen bildhaft dargestellt werden. Diese biochemischen Verbindungen spielen eine grundlegende Rolle für die Funktion des gesunden Gehirns sowie bei Hirnstörungen und sind mit herkömmlichen Magnetresonanztomographiemethoden nicht zugänglich. Während es viele Forschungsanwendungen für MRSI gibt, bleibt die klinische Anwendung von MRSI erheblich zurück. Der Hauptgrund ist das Fehlen eines einfachen und robusten MRSI-Tools, das vollständig in MR-Scannern integriert ist. Die Haupthindernisse sind der zeitaufwändige Rekonstruktionsprozess und die derzeit notwendige manuelle Qualitätssicherung. Die jüngsten Fortschritte in der künstlichen Intelligenz, insbesondere im Zusammenhang mit sogenannten tiefen neuronalen Netzwerken, lassen hoffen, dass diese Barriere bald überwunden werden kann. In diesem Projekt wollen wir ein solches diagnostisches Werkzeug für die nicht-invasive Kartierung der Biochemie des Gehirns mithilfe von Deep- Learning-basierten MRSI-Techniken entwickeln. Dies sollte MRSI für die Neurowissenschaften und den klinischen Einsatz zugänglicher machen.

In diesem Projekt haben wir erfolgreich eine KI-gestützte Methode entwickelt, mit der MRT-Scanner schnell und zuverlässig klare "Karten der Gehirnchemie" erstellen können. Wir haben den gesamten Prozess in einem einfachen Workflow zusammengeführt, sodass die Ergebnisse kurz nach der Untersuchung ohne komplizierte manuelle Schritte verfügbar sind. Durch Tests an mehreren Standorten konnten wir zeigen, dass die Methode in unterschiedlichen Krankenhäusern und Forschungszentren konsistent funktioniert - und damit für eine breitere Nutzung in der Forschung und perspektivisch auch in der Patientenversorgung bereit ist.