AG Deep-Learning-basierte MRT

Die Arbeitsgruppe Deep-Learning-basierte MRT befasst sich mit der Erforschung und Entwicklung neuartiger Bildgebungsmethoden für die Magnetresonanztomographie (MRT). Schwerpunkt ist dabei die Beschleunigung der Aufnahme von MR-Daten sowie deren Nachverarbeitung.

Die Beschleunigung von MR-Untersuchungen hat eine Reihe von Vorteilen: Neben der Verbesserung des Komforts der Patientinnen und Patienten durch kürzere Liegezeiten können Kosten reduziert und MR-Untersuchungen einem breiteren Kollektiv von Patientinnen und Patienten zugänglich gemacht werden. Gleichzeitig können durch die beschleunigte Aufnahme und Rekonstruktion auch neue Anwendungen wie die Echtzeitbildgebung oder Aufnahmen in freier Atmung ermöglicht werden, wo bisher noch ein wiederholtes Anhalten der Atmung notwendig war.

Neben der Entwicklung effizienter Datenausleseverfahren, sogenannter MR-Pulssequenzen,  unter Verwendung nicht-kartesischer Trajektorien sowie automatisierter Nachverarbeitung der MR-Bilder mit Hilfe künstlicher neuronaler Netze, beschäftigen wir uns vor allem mit der Bildrekonstruktion aus unterabgetasteten MR-Aufnahmen.

Bei einer unterabgetasteten Messung werden weniger MR-Daten als bei konventionellen MR-Methoden üblich aufgenommen. Durch eine solche „komprimierte Messung“ kann die Untersuchungsdauer im MRT signifikant verkürzt werden. Die Bildrekonstruktion mit herkömmlichen Verfahren führt unter Verwendung dieser Messungen jedoch zu Bildern, die aufgrund von Fehlern, sogenannten Artefakten, für die Diagnostik unzureichend sind. 

Wir entwickeln Rekonstruktionsmethoden, die mit Hilfe von mathematischen Modellen (Compressed Sensing) und unter Verwendung datengetriebener Transformationen (Maschinelles Lernen) auch aus komprimierten – und damit mitunter stark verkürzten – Messungen hochwertige MR-Bilder berechnen können.

Maschinelles Lernen ist eine Form der künstlichen Intelligenz, die es Computersystemen ermöglicht, ihre Leistung bei einer Aufgabe durch Erfahrung automatisch zu verbessern. Entsprechende Modelle können dafür zunächst auf einem großen Datensatz trainiert werden, um anschließend Vorhersagen oder Entscheidungen über neue Daten treffen zu können.

In unserem interdisziplinären Team entwickeln wir aktuell modell- und datengetriebene MR-Techniken für kardiale Echtzeitaufnahmen in freier Atmung, zur Vermeidung von Bewegungsartefakten bei der Leberbildgebung sowie für eine strahlungsfreie Darstellung trabekulärer und kortikaler Knochenanteile.

Mitglieder der Arbeitsgruppe

Prof. Dr. rer. nat. Tobias Wech (Leitung)
Dr. med. Julius F. Heidenreich
Jonas Kleineisel M.Sc.
Philipp Nunn M.Sc.
Oliver Schad B.Sc.

Laufende Projekte mit Drittmittelförderung

Intelligente MR-Diagnose der Leber durch Verknüpfung modell- und datengetriebener Verfahren (iDeLIVER, BMBF 05M2020; Förderperiode 04/2020 - 03/2023)

Schnelle hyperintense MR-Bildgebung kortikaler und trabekulärer Knochenanteile (Projekt-Nr. F-437, IZKF)