Verbinden von Deep Learning basierter Auflösungsverbesserung und Ultrahochfeld-MRT für Hochauflösende Anatomische und Strukturelle Bildgebung des Menschlichen Herzens

• Antragsteller: Dr. David Lohr
• Fachliche Zuordnung: Medizinische Physik, Biomedizinische Technik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Radiologie
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 519067094

Niedriges Signal-zu-Rausch-Verhältnis (SNR) bei 1.5T und 3T limitiert die Anwendung von kardialer Diffusionstensor- und hochaufgelöster CINE-Bildgebung in klinisch angemessener Messzeit. Neurologische und kardiologische Studien haben gezeigt, dass MRT im Ultrahochfeld (UHF) höheres SNR und höhere Bildauflösung ermöglicht. Hauptziel dieser Studie ist es die mit UHF-MRT (7T) verbundene Zunahme im SNR in Kombination mit Deep learning (DL) Methoden zu nutzen, um kardiale cDTI Diffusionstensor- und hochaufgelöste CINE-Bildgebung in klinisch angemessener Messzeit zu ermöglichen. Meilensteine auf dem Weg zu diesem Ziel sind 1) das Training, die Validierung und das Testen von DL-Modellen zur Auflösungsverbesserung basierend auf einem frei verfügbaren 7T Neurologie-Datensatz 2) die Implementierung und Validierung einer MRT-Sequenz für die kardiale Diffusionstensor-Bildgebung bei 3T und 7T 3) das Training, die Validierung und das Testen von DL-Modellen zur Auflösungsverbesserung basierend auf lokal aufgenommenen 7T Diffusionstensor- und CINE-Bildern 4) die Analyse, inwiefern die trainierten DL-Modelle auch bei anderen Feldstärken (7T zu 3T), anderen Organen (Hirn zu Herz) und auch Krankheiten angewendet werden können. Während UHF-MRT im Bereich der Herzbildgebung aktuell noch als Forschungsmodalität gesehen wird, ist diese im Bereich der Neurologie bereits gut etabliert und klare, klinische Vorteile wurden in mehreren Studien demonstriert. Wir zielen daher im ersten Schritt darauf ab unsere DL-Modelle für die Auflösungsverbesserung anhand von 7T-Neurologie-Datensätzen, die im Rahmen des human connectome Projektes frei verfügbar sind, zu etablieren. Entwickelte Modelle werden auf UNet-Architekturen in Kombinationen mit 1) generative adversarial networks und 2) perception oder feature loss basieren. Ich stelle die Hypothese auf, dass sowohl kardiale Diffusionstensor- als auch CINE-Bildgebung ideale Anwendungen für DL-Modelle für die Auflösungsverbesserung sind, weil beide Methoden auf der Messung einer hohen Anzahl an Bildern beruhen. Im zweiten Schritt dieses Projektes werden die entwickelten Modelle und Methoden für kardiale Diffusionstensor- und auch CINE-Datensätze angepasst. Die Kombination von hochaufgelöster Bildgebung bei 7T mit DL-Modellen für die Auflösungsverbesserung kann die Art, wie zukünftig klinische MRT-Bilder gemacht werden, fundamental verändern. Das Konzept der Auflösungsverbesserung würde dabei den Informationstransfer von teuren, qualitativ hochwertigen Bildern, zu günstigen Bildern niedriger Qualität ermöglichen, zum Beispiel von 7T zu 3T oder sogar 1,5T für potentiell alle Organe. Klinische Vorteile die mit einer erhöhten Feldstärke von 7T einhergehen würden dadurch einer deutlich größeren Bandbreite an Patienten zugänglich werden, wodurch der diagnostische Wert der MRT-Bildgebung steigt, während gleichzeitig Verbesserungen in der Patientenbehandlung durch verkürzte Untersuchungszeiten erreicht werden können.

• DFG-Verfahren: Sachbeihilfen