Elegante und effiziente Algorithmen

Im eben veröffentlichten Fachartikel zeigen die Forscher von ETH und Universität Zürich einen Weg auf, wie die Bildrekonstruktion für das 4D-​Fluss-MRI schneller und damit praxistauglicher gemacht werden kann. «Die Lösung sind elegante und effiziente Algorithmen auf der Basis neuronaler Netzwerke», erklärt Kozerke.

Vishnevskiy, Kozerke und Walheim nennen ihren neuen Ansatz FlowVN. Dieser basiert auf maschinellem Lernen, konkret auf sogenanntem Deep Learning. Die Software lernt aus Daten, mit denen sie vorgängig trainiert wird. Das Besondere an FlowVN ist die Effizienz, denn die Methode kombiniert Training mit dem Vorwissen über die Aufnahmetechnik.

Das heisst, dass nicht Tausende von Trainingsbeispielen benötigt werden, sondern auf der Basis von wenigen Daten generalisiert wird. «Das Netzwerk braucht also nur sehr wenig Training, um verlässliche Ergebnisse zu liefern», erklärt Vishnevskiy.

Dass das funktioniert, konnten die Forscher in der eben erschienenen Arbeit zeigen. Sie trainierten die Software mit 11 MRI-​Scans von gesunden Probanden. Diese Daten genügten, um innerhalb von nur 21 Sekunden auf einem gewöhnlichen Rechner pathologischen Blutfluss in der Aorta eines Patienten präzise wiederzugeben. Das Verfahren war damit um ein Vielfaches schneller als herkömmliche Methoden – und lieferte erst noch bessere Resultate.

«Wir hoffen, dass FlowVN dem Einsatz von 4D-​Fluss-MRI in der klinischen Diagnostik einen Schub verleihen wird», sagt Kozerke. Für die vorliegende Studie wurden die Daten offline rekonstruiert. Der nächste Schritt für die Zürcher Forscher wird deshalb die Installation der Software auf klinischen MRI-​Geräten sein.

«Danach fassen wir grössere klinische Patientenstudien ins Auge», so Kozerke. Zu Gute kommt den Wissenschaftlern dabei die langjährige Partnerschaft mit der Radiologie und Kardiologie am Universitätsspital Zürich.

Bestätigen die Folgeuntersuchungen die Resultate von Kozerkes Team, könnte die Methode dereinst Eingang in den klinischen Alltag finden. «Bis dahin wird es aber mindestens noch vier bis fünf Jahre dauern», schätzt Kozerke.

Um den wissenschaftlichen Prozess zu beschleunigen, hat sein Team die lauffähigen Codes mitsamt Datenbeispielen Open Source zur Verfügung gestellt. Auf diese Weise können andere Wissenschaftler die Methode testen und reproduzieren.