10-fach Deep Learning-beschleunigte MRT von Gelenken
Zusammenfassung der Projektergebnisse
Die Magnetresonanztomographie (MRT) ist ein unverzichtbares Verfahren in der nichtinvasiven Diagnostik von Gelenkerkrankungen. Zwei-dimensionale (2D) Turbo-Spin-Echo (TSE)-Sequenzen gelten hierbei als klinischer Standard, u.a. aufgrund eines hohen Signal- Rausch-Verhältnisses sowie einer exzellenten In-Plane- und Kontrastauflösung. Eine wesentliche Limitation konventioneller MRT-Protokolle stellt jedoch die vergleichsweise lange Akquisitionszeit dar. Eine Beschleunigung der Bildgebung ist daher in der klinischen Routine wünschenswert – etwa zur Steigerung des Patientenkomforts oder zur Erhöhung der ökonomischen Effizienz. Es gibt bereits etablierte Methoden zur Beschleunigung der MRT, darunter parallele Bildgebung (Parallel Imaging, PI), simultane Mehrschicht-Akquisition (Simultaneous Multi-Slice, SMS) und Compressed Sensing. Besonders effektiv zeigte sich die Kombination von PI und SMS, da sich ihre Effekte multiplizieren und so höhere Beschleunigungen ermöglichen. So konnte eine vierfach beschleunigte 2D-TSE-MRT des Knies (SMSx2-PIx2) bereits erfolgreich in die klinische Routine implementiert werden. Allerdings stoßen höhere Beschleunigungsfaktoren an physikalische und technische Grenzen – etwa durch Einschränkungen der spezifischen Absorptionsrate (SAR), auftretende Artefakte, oder die begrenzte Leistungsfähigkeit klassischer Methoden zur Rekonstruktion der zunehmend ausgedünnten/signalarmen Rohdaten. Deep-Learning (DL)-basierte Rekonstruktionsverfahren haben ein großes Potenzial zur weiteren Beschleunigung der MRT. DL-basierte Ansätze ermöglichen eine überlegene Rauschunterdrückung und Artefaktreduktion und erlauben so deutlich schnellere Untersuchungen bei gleichbleibender oder sogar verbesserter Bildqualität - so ermöglichte beispielsweise eine DL-Super-Resolution-Technik, angewendet auf vierfach beschleunigte PI-SMS-Knie-MRT, eine verbesserte Detektion von Knorpelläsionen im Vergleich zur konventionellen Rekonstruktion. Im Rahmen des Stipendienprojekts wurden bestehende Deep-Learning-basierte Rekonstruktionsverfahren systematisch evaluiert, um deren Leistungsfähigkeit und Grenzen im Hinblick auf höhere Beschleunigungsfaktoren zu untersuchen. Darüber hinaus wurden neue DL- gestützte Ansätze entwickelt und gezielt optimiert, um eine achtfache oder höhere Beschleunigung der MRT zu ermöglichen – ein Ziel, das mit bislang verfügbaren DL-Verfahren nicht artefaktfrei realisierbar war. Ergänzend kamen in drei weiteren Teilprojekten ebenfalls DL- basierte Methoden zur Beschleunigung von 3D-MRT-Sequenzen erfolgreich zum Einsatz. So konnte letztlich eine bis zu neunfache Beschleunigung der MRT des Sprunggelenks erreicht werden, mit einer Akquisitionszeit von unter zwei Minuten für eine vollständige 3D-TSE- Sequenz.
Projektbezogene Publikationen (Auswahl)
-
8-fold Accelerated TSE MRI: First Clinical Assessment of a Dedicated End-to-End DL Image Reconstruction Approach for Combined Simultaneous Multislice and Parallel Imaging Acceleration. Annual Meeting Abstracts of the German Society of Skeletal Radiology (DGMSR) 2025, May 16–17, Berlin/Germany. Skeletal Radiology, 54(S1), 1-6.
Leonhardt Y., Vosshenrich J., Mostapha M., Koerzdoerfer G., Raithel E., Nadar M., Bruno M. & Fritz J.
-
8-fold Accelerated TSE MRI: First Clinical Results of an End-to-End DL Reconstruction Method for Combined SMS and Parallel Imaging Acceleration. ISMRM Annual Meeting. ISMRM.
Leonhardt, Yannik; Vosshenrich, Jan; Mostapha, Mahmoud; Koerzdoerfer, Gregor; Raithel, Esther; Nadar, Mariappan; Bruno, Mary & Fritz, Jan
-
Arthroscopy-validated Diagnostic Performance of 7-Minute Five-Sequence Deep Learning Super-Resolution 3-T Shoulder MRI. Radiology, 314(2).
Vosshenrich, Jan; Bruno, Mary; Cantarelli Rodrigues, Tatiane; Donners, Ricardo; Jardon, Meghan; Leonhardt, Yannik; Neumann, Shana G.; Recht, Michael; Serfaty, Aline; Stern, Steven E. & Fritz, Jan
-
MR Neurography of the Foot and Ankle Nerves. Magnetic Resonance Imaging Clinics of North America, 33(3), 545-561.
Leonhardt, Yannik & Fritz, Jan
