Laura M. Schreiber und ihre Kolleginnen und Kollegen aus unterschiedlichsten Disziplinen wie Physik, Informatik, Biologie, Kardiologie und Radiologie beschreiben eine neuartige und einzigartige wissenschaftliche Infrastruktur für die Herzforschung an unterschiedlichsten Objekten - vom Klumpen aus Herzzellen (Organoid) bis zum Menschen. Die Infrastruktur am DZHI kann dazu beitragen, Herzkrankheiten besser zu verstehen, indem sie die Erforschung und Visualisierung bisher unsichtbarer Verbindungen und Strukturen im Herzen verbessert und die diagnostische Beurteilung von Patienten optimiert. Sie wird unter anderem auch im Sonderforschungsbereich SFB1525 eingesetzt.

Laura M. Schreiber, David Lohr, Steffen Baltes, Ulrich Vogel, Ibrahim A. Elabyad, Maya Bille, Theresa Reiter, Aleksander Kosmala, Tobias Gassenmaier, Maria R. Stefanescu, Alena Kollmann, Julia Aures, Florian Schnitter, Mihaela Pali, Yuichiro Ueda, Tatiana Williams, Martin Christa, Ulrich Hofmann, Wolfgang Bauer, Brenda Gerull, Alma Zernecke, Süleyman Ergün and Maxim Terekhov. Ultra-high field cardiac MRI in large animals and humans for translational cardiovascular research. Frontiers in Cardiovascular Medicine (2023). doi:10.3389/fcvm.2023.1068390

Zur Publikation

Genauere Funktionsanalyse des Herzens durch künstliche Intelligenz und Ultrahochfeld-MRT 

Die funktionelle Analyse von MRT-Bildern des Herzens ist ein wichtiges Diagnoseverfahren zur Beurteilung von Herzerkrankungen. Die Analyse der MRT-Bilder ist allerdings sehr aufwändig. Zudem besteht eine Abhängigkeit von der Vorerfahrung der auswertenden Person. 

Die Medizinstudentin Alena Kollmann hat mit wesentlicher Unterstützung der Postdocs David Lohr und Markus Ankenbrand dieses Problem durch die automatische Segmentierung und Auswertung von funktionellen MRT-Bildern gelöst. Das Team zeigt, dass dieser Ansatz nicht nur viel schneller in der Durchführung ist, sondern sogar die Reproduzierbarkeit der Daten verbessert. Letzteres ist ein wichtiger Aspekt, um die Aussagekraft von wissenschaftlichen Studien zu erhöhen und auch die Anzahl der benötigten Tiere zu reduzieren.

Ein besonderes Problem, das sie im Vorfeld lösen mussten, war die Arbeit mit Bildern aus 7-Tesla-Herz-MRTs, also Ultrahochfeld-MRTs. Für diese Anwendung gibt es nur wenige Trainingsdaten. Deshalb haben sie einen Transfer-Learning-Ansatz verwendet und 3-Tesla-MRT-Daten von Menschen auf 7-Tesla-MRT-Daten von Menschen umtrainiert.

Für die aktuelle Arbeit trainierten sie dieses Netzwerk erneut mit präklinischen Daten von Großtieren. Diese Daten wurden ebenfalls bei 7T in Schweinen mit identischen Messungen wie beim Menschen gewonnen. Möglich wurde dies durch die kürzlich beschriebene translationale Ultrahochfeld-MRT-Einrichtung.

Alena Kollmann, David Lohr, Markus Ankenbrand, Maya Bille, Maxim Terekhov, Michael Hock, Ibrahim Elabyad, Steffen Baltes, Theresa Reiter, Florian Schnitter, Wolfgang R. Bauer, Ulrich Hofmann & Laura M. Schreiber. Cardiac function in a large animal model of myocardial infarction at 7 T: deep learning based automatic segmentation increases reproducibility. Sci Rep 14, 11009 (2024). doi:10.1038/s41598-024-61417-4

Zur Publikation

Die Studie hatte zwei Ziele: einerseits, die Genauigkeit eines bereits existierenden automatisierten Auswertetools („Originaldetektor“) durch ML-basiertes Training zu verbessern; zum Anderen, die so gewonnene Präzision mit der bestmöglichen Präzision zu vergleichen, die spezialisierte Echokardiographie-Kräfte erbringen können. Als Datenbasis dienten Echokardiogramme von 4965 Teilnehmern der STAAB-Studie. 3226 Teilnehmende wurden zufällig für das Nachtraining des Originaldetektors ausgewählt. Der nachtrainierte Detektor zeigte eine deutlich geringere Messvariabilität als menschliche Auswerter. Dieser Gewinn an Genauigkeit und Präzision erhöht das Vertrauen in automatisierte echokardiographische Messungen, die ein großes Potenzial für Anwendungen in verschiedenen Bereichen bieten.

Caroline Morbach, Götz Gelbrich, Marcus Schreckenberg, Maike Hedemann, Dora Pelin, Nina Scholz, Olga Miljukov, Achim Wagner, Fabian Theisen, Niklas Hitschrich, Hendrik Wiebel, Daniel Stapf, Oliver Karch, Stefan Frantz, Peter U Heuschmann, Stefan Störk. Population data–based federated machine learning improves automated echocardiographic quantification of cardiac structure and function: the Automatisierte Vermessung der Echokardiographie project. European Heart Journal - Digital Health, Volume 5, Issue 1, Pages 77–88 (2024). doi:10.1093/ehjdh/ztad069

Zur Publikation