Ein Blindversuch mit Radiologen zeigt: KI-gestützte MRTs sind bis zu viermal schneller, ohne nennenswert an Bildqualität zu verlieren.
Knie verdreht, starke Unterleibsschmerzen oder Schädel-Hirn-Trauma? Ab zur Magnetresonanztomographie (MRT). Das bildgebende Verfahren wird in der medizinischen Diagnostik zur Darstellung von Gewebe oder Organen eingesetzt. Es produziert Querschnittbilder des Körpers, die eine Beurteilung von möglichen Verletzungen oder Erkrankungen erlauben.
MRTs dauern je nach Fall zwischen 15 Minuten und einer Stunde, in der ein Patient stillliegen muss. Das schließt das MRT bei zeitkritischen Notfällen meist als Diagnosewerkzeug aus.
Die langen Aufnahmezeiten sind auch aus anderen Gründen ein Problem: Kinder haben mitunter Schwierigkeiten, lange stillzuliegen – hier wird oft mit Beruhigungsmitteln gearbeitet. Eine weitere Folge sind lange Wartezeiten für Patienten. Manche Radiologien sind für Monate ausgebucht.
KI-Autovervollständigung für MRT
Es gibt also gute Gründe, das MRT-Aufnahmeverfahren zu beschleunigen. Sie führten 2015 zum FastMRI-Projekt der Langone-Health-Klinik in New York. 2017 stiegen Facebooks KI-Forscher (FAIR) in das Open-Source-Projekt ein.
MRT-Geräte nehmen sogenannte k-Raum-Daten auf, die mit Mathematik zu Bildern umgewandelt werden. Die Idee der KI-Forscher: Sie wollten beim Scanvorgang weniger k-Raum-Daten aufzeichnen, das beschleunigt den Aufnahmeprozess, und anschließend eine KI die wenigen Daten zu einem MRT-Bild normaler Qualität hochskalieren und ergänzen lassen. Eine Art Pixelvervollständigung für MRT-Bilder also.
Möglich sei das, weil zumindest ein Teil der gesammelten Daten redundant sei und eine Künstliche Intelligenz lernen könne, diese in lückenhaften Aufnahmen zu ersetzen, so die Theorie der Forscher.
Die MRT-KI überzeugt
Jetzt stellen die Forscher die Ergebnisse ihrer Arbeit vor: Die mit reduzierten Daten aufgezeichneten und durch die KI ergänzten MRT-Bilder konnten in einem Blindversuch Radiologen überzeugen.
Für den Test bekamen klinische Radiologen über einen Zeitraum von zwei Jahren sowohl traditionell aufgenommene MRT-Bilder als auch KI-gestützte Aufnahmen zu sehen, ohne die Quelle zu kennen.
Trainiert wurde die KI mit Teilen der FastMRI-Bilddatenbank, die etwa 1,5 Millionen MRT-Bilder von 10.000 verschiedenen Gehirn- und Knie-Scans und die k-Raum-Daten von 1.600 dieser Scans enthält.
Für das KI-Training reduzierten die Forscher die Details der k-Raum-Daten von etwa 1.200 Knie-Scans. So lernte die KI den Unterschied zwischen vollständigen und reduzierten Aufnahmen und wie diese Detaillücke zu füllen ist.
Die Studie fand keine signifikanten Unterschiede bei den Diagnosen der Radiologen, die dazu einstimmig die Bildqualität der KI-Aufnahmen als besser bewerteten.
Fünf von sechs Radiologen konnten nicht erkennen, mit welcher Methode die jeweiligen Bilder erzeugt wurden. Alle Aufnahmen stammen von sogenannten 3-Tesla-Geräten.
Die im Vergleich zur traditionellen Methode besser bewertete Qualität der KI-generierten Bilder erklärt der beteiligte Forscher Larry Zitnick: "Da die KI von MRT-Bildern lernt, wie typische Knie aussehen, kann sie das Aussehen des MRT verbessern, indem sie Rauschen oder andere Artefakte entfernt und die gelernten Strukturen stärker betont.“
Viermal schneller – was jetzt?
Da die KI-gestützte MRT etwa 75 Prozent weniger Daten aufnimmt, könnten die Aufnahmen in Zukunft etwa viermal so schnell erstellt werden. Das würde die anfangs erwähnten Probleme des Diagnoseverfahrens deutlich reduzieren.
Die Studie sei ein wichtiger Schritt für die klinische Akzeptanz von KI-beschleunigten MRTs, sagt Michael P. Recht, beteiligter Forscher und Professor für Radiologie an der NYU Langone Health. Sie zeige, dass KI-ergänzte MRTs traditionelle Methoden ersetzen könnten bei gleicher Diagnosegenauigkeit.
Facebook und die Langone-Health-Klinik haben nun zwei neue Ziele vor Augen: Sie wollen die Kompatibilität der KI mit den ebenfalls weit verbreiteten, schwächeren 1,5-Tesla-Geräten sicherstellen und zeigen, dass ihre Methode neben Knie- auch für Gehirnaufnahmen funktioniert.
Die wissenschaftliche Veröffentlichung der NYU Langone Health und von FAIR wurde im American Journal of Roentgenology veröffentlicht. Die verwendeten Daten, Open-Source-Tools und eine Liste anderer fastMRI-Paper sind auf GitHub frei verfügbar.
Titelbild: Facebook | Via: Facebook AI Research
