Umfassende MRT in fünf Minuten?

Umfassende MRT in fünf Minuten?

Compressed Sensing und Deep Learning bilden die Grundlage für ein kontinuierliches und umfassendes Abtasten von Signalen, das den Workflow in der MRT nachhaltig verändern dürfte.

  • Präsentationstag:
    17.01.2019 0 Kommentare
  • Autor:
    mh/ktg
  • Sprecher:
    Daniel Sodickson, NYU Langone Health, New York
  • Quelle:
    Internationales MRT Symposium 2019

Aufwendige Untersuchungsprotokolle mit unterschiedlichen Sequenzen, die hintereinander gefahren werden, führen zu langen Scanzeiten, erläuterte Daniel Sodickson, NYU Langone Health, New York. Die parallele Bildgebung erlaubt in gewissem Umfang ein Undersampling, also die Akquisition „unvollständiger“ Datensätze, aus denen sich aber durch Kombination von Daten, die mit unterschiedlichen Spulen gewonnen werden, vollständige Datensätze zusammensetzen lassen.

Compressed Sensing: Kompression schon beim Erfassen

Die Beschleunigung der Rekonstruktion von Bildern aus Rohdaten in der parallelen MRT führt zu erhöhtem Rauschen. Hier kann das Compressed Sensing weiterhelfen: „Wir wissen, dass Bilder komprimierbar sind, also warum verwenden wir dann so viel Zeit auf das Abtasten der Signale?“ fragte Sodickson. „Weil wir nicht genau wissen, welche Daten wir verwerfen können, obwohl wir eigentlich wissen, dass wir auf einen Teil davon verzichten könnten“, so seine Antwort.

Das Compressed Sensing sei als Prä-Kompression zu verstehen, erläuterte Sodickson, also als komprimierte Erfassung von Daten: Ein randomisiertes Undersampling berge zwar die Grundstruktur der Bilder, begrabe diese jedoch unter „Datenmüll“.

Das Compressed Sensing sucht direkt nach den dünn besetzten („sparsest“) Signalen, um diese in die Daten einzufügen. Allerdings tendiert die traditionelle Kompression dazu, die Bilder zu stark zu vereinfachen („oversimplify“).

Einen Ausweg beschreiben Kerstin Hammernik et al. (Magn Reson Med 2017): Mit Hilfe von Deep Learning trainierten sie ein System, anhand von Rohdaten und rekonstruierter Bilder aus undersampelten Daten unterschiedliche Bilder zu rekonstruieren. Ihr Ansatz erlaube im Vergleich zu herkömmlichen Rekonstruktionsalgorithmen schnellere Bildgebung sowie schnellere Datenverarbeitung (Faktor 4) und führe zu einer „natürlicheren“ Anmutung der Bilder, so Sodickson. Das Beispiel zeige, dass Künstliche Intelligenz (KI) nicht nur das Potenzial habe, bisher von Menschen getätigte Arbeiten zu übernehmen, sondern auch ganz neue Dinge zu ermöglichen.

FastMRI – Zusammenarbeit mit Facebook

Sodickson stellte das Projekt fastMRI vor: Gemeinsam mit Facebook AI Research (FAIR) arbeitet das Center for Advanced Imaging Innovation and Research der NYU School of Medicine und der NYU Langone Health an einem KI-basierten Ansatz, der die MR-Bildgebung um den Faktor 10 schneller machen soll.

Die Beschleunigung dürfte die Verfügbarkeit der MRT zu verbessern und auf die klinische Praxis Einfluss nehmen, so Sodickson. Vor wenigen Wochen hat fastMRI einen ersten umfassenden Datensatz veröffentlicht, der allen Interessierten zur Verfügung steht (fastmri.med.nyu.edu).

MRT in fünf Minuten?

Um in Zukunft tatsächlich eine umfassende MRT in wenigen Minuten durchzuführen, brauche es einen alternativen Ansatz, bei dem der Scanner automatisiert sofort anfange, Signale in unterschiedlichen Projektionen abzutasten, anhand derer sich dann gezielt morphologische und funktionelle Fragen ebenso beantworten ließen wie auch präzise Darstellungen etwa der Koronargefäße erstellen.

Als Beispiel einer schnellen, kontinuierlichen und umfassenden MRT skizzierte Sodickson XD-GRASP, einen Ansatz von Feng et al. (Magn Reson Med 2016). XD-GRASP erlaubt die kardiale MR-Bildgebung ohne Atemanhalt und betrachtet Bewegungen nicht primär als Artefakte, die es zu korrigieren gilt, sondern erlaubt neue „Motion State“-Rekonstruktionen – etwa die 4D-Darstellung der Herzmotilität bei gleichzeitigem Ausschluss der Zwerchfellbewegungen („Freezing Motion“).

Einen neuen Ansatz für die MRT der Leber beschrieben Benkert et al. bei der Jahrestagung der ISMRM: Sie ersetzten das aufwendige Protokoll mit in- und opposed-Phase, fettgesättigten Scans, kontrastverstärkten Sequenzen und Atemanhalt durch eine umfassende Datenakquisition ohne Atemanhalt. Alle relevanten Daten wurden unter Einbeziehung von Compressed Sensing und paralleler Bildgebung retrospektiv generiert. Das Verfahren habe das Potenzial, den Workflow nachhaltig zu verändern.

Ausblick

Bestehe die MRT-Bildgebung bislang aus sorgsam konzipierten „Schnappschüssen“, basierten die beschriebenen neuen Ansätze eher auf einem kontinuierlichen „Streaming“, so Sodickson. Neue flexible Multisense-Spulen, neue Kombinationen der MRT beispielsweise mit der Ultraschall-Diagnostik und KI-basierte Ansätze könnten – in Analogie zum selbstfahrenden Auto – zum „selbstfahrenden Scanner“ führen.

Öffentliche Diskussion

Chairman Jens Ricke, LMU München, befragte Sodickson nach der Bedeutung höherer Feldstärken für die zukünftige MRT. Sodickson sagte, er erwarte angesichts der neuen Techniken eher eine steigende Bedeutung für Scanner mit geringeren Feldstärken.

Auszeichnung mit dem Kernspinpreis

Im Anschluss an seine Präsentation wurde Sodickson mit dem Kernspinpreis ausgezeichnet. In ihrer Laudatio hab Hedvig Hricak, Memorial Sloan Kettering Cancer Center, New York, Sodicksons Arbeiten zur Entwicklung der parallelen Bildgebung und zu deren Eingehen in die klinische Routine hervor.

Referenzen

FastMRI Kooperationsprojekt
fastmri.med.nyu.edu

Hammernik K et al.
Learning a variational network for reconstruction of accelerated MRI data
Magn Reson Med, online 8. November 2017

Feng L et al.
XD-GRASP: Golden-angle radial MRI with reconstruction of extra motion-state dimensions using compressed sensing
Magn Reson Med 2016 Feb;75(2):775-88

Sie müssen sich einloggen, um Kommentare zu verfassen.