Künstliche Intelligenz verbessert Bildgebung

ETH-Forschende nutzen künstliche Intelligenz, um bei einer relativ neuen Methode der medizinischen Bildgebung die Bildqualit?t zu erh?hen. Dadurch lassen sich in Zukunft Krankheiten besser diagnostizieren und kostengünstigere Ger?te herstellen.

Blutgefässe
Die optoakustische Bildgebung eignet sich besonders gut, um Blutgef?sse sichtbar zu machen. (Bild: ETH Zürich / Daniel Razansky)

Wissenschaftler der ETH Zürich und der Universit?t Zürich haben Methoden des maschinellen Lernens eingesetzt, um die optoakustische Bildgebung zu verbessern. Mit diesem relativ jungen Verfahren der medizinischen Bildgebung k?nnen zum Beispiel Blutgef?sse im K?rperinnern sichtbar gemacht, die Gehirnaktivit?t untersucht oder Brustkrebs und Hautkrankheiten diagnostiziert werden. Die Bildqualit?t, die ein Ger?t liefert, h?ngt allerdings stark von seiner Anzahl Sensoren und ihrer Verteilung ab: Je mehr davon, desto besser die Bildqualit?t. Der neue Ansatz der ETH-Forschenden erm?glicht, die Zahl der Sensoren bei gleichbleibender Bildqualit?t deutlich zu reduzieren. Dadurch k?nnen die Ger?tekosten reduziert, die Bildgebungsgeschwindigkeit erh?ht oder die Diagnose verbessert werden.

Die Optoakustik (siehe Kasten) hat gewisse ?hnlichkeiten zur Ultraschallbildgebung. Bei Letzterer sendet eine Sonde Ultraschallwellen in den K?rper, die das Gewebe reflektiert. Sensoren in der Sonde detektieren die zurückgeworfenen Schallwellen, und aus diesen l?sst sich ein Bild des K?rperinneren erzeugen. Bei der optoakustischen Bildgebung hingegen werden extrem schnelle Laserpulse ins Gewebe geschickt, die dort absorbiert und in Ultraschallwellen umgewandelt werden. Diese werden dann ?hnlich wie bei der Ultraschallbilgebung detektiert, um daraus ein Bild zu erstellen.

Bildverzerrungen korrigiert

Die Forschenden unter der Leitung von Daniel Razansky, Professor für biomedizinische Bildgebung an der Universit?t Zürich und der ETH Zürich, suchten nach einer M?glichkeit, die Bildqualit?t von kostengünstigen Optoakustik-Ger?ten, die nur wenige Ultraschallsensoren besitzen, zu erh?hen.

Sie nutzten dazu zun?chst ein von ihnen selbst entwickeltes hochwertiges Optoakustik-Ger?t mit 512 Sensoren, das qualitativ hochstehende Bilder lieferte. Diese liessen sie von einem sogenannten künstlichen neuronalen Netzwerk analysieren. Dabei lernte das Netzwerk die Merkmale der hochwertigen Bilder.

Anschliessend schalteten die Forschenden einen Grossteil der Sensoren aus, so dass nur noch 128 beziehungsweise 32 Sensoren übrigblieben, mit entsprechend negativen Auswirkungen auf die Bildqualit?t: Weil es an Daten mangelte, durchzogen streifenartige St?rsignale das Bild. Wie sich jedoch herausstellte, war das zuvor trainierte Machine-Learning-System mit seinem Algorithmus in der Lage, diese Verzerrungen zu korrigieren. Dadurch erh?hte sich die Bildqualit?t deutlich und war vergleichbar mit der Qualit?t einer Messung mit 512 Sensoren.

Beispiele
Die Wissenschaftler erstellen mittels optoakustischer Tomographie Querschnittbilder einer Maus. Mit maschinellem Lernen konnten sie eine schlechte Bildqualit?t ausgleichen. (Quelle: Davoudi N et al. Nature Machine Intelligence 2019)

Bei der Optoakustik erh?ht sich die Bildqualit?t nicht nur mit der Anzahl benutzter Sensoren, sondern auch, wenn das Untersuchungsobjekt aus m?glichst vielen unterschiedlichen Richtungen erfasst wird: je gr?sser der Sektor, in dem die Sensoren rund um das Untersuchungsobjekt angeordnet sind, desto besser die Qualit?t. Der entwickelte Algorithmus war auch in der Lage, die Qualit?t von Bildern, die aus nur einem engumfassten Sektor aufgenommen wurden, deutlich zu verbessern. ?Dies ist bei klinischen Anwendungen von Bedeutung, denn die benutzten Laserpulse durchdringen nicht den ganzen menschlichen K?rper, und die meisten oberfl?chennahen Teile des menschlichen K?rpers kann man nur aus einer Richtung erfassen?, erkl?rt Razansky.

?rzten die Arbeit erleichtern

Wie die Wissenschaftler betonen, ist ihr Ansatz nicht auf die optoakustische Bildgebung beschr?nkt. Weil die Technik nicht die Rohdaten analysiert, sondern die fertigen Bilder, eignet sie sich auch für andere Bildgebungsverfahren. ?Generell kann man sie dazu verwenden, um mit weniger Rohdaten Bilder von guter Qualit?t herzustellen?, sagt Razansky. ?rzte seien gelegentlich mit Bildgebungsdaten von schlechter Qualit?t konfrontiert, die sie interpretieren müssten. ?Wir zeigen, dass sich mit Methoden der künstlichen Intelligenz solche Bilder verbessern lassen, wodurch sich die Interpretation vereinfacht.?

Für Razansky ist diese Forschungsarbeit ein gutes Beispiel, wozu die derzeit existierenden Methoden der künstlichen Intelligenz angewandt werden k?nnen. ?Viele Leute meinen, dass KI die menschliche Intelligenz ersetzen k?nnte. Dies wird meiner Meinung nach jedoch übersch?tzt, jedenfalls was heutige KI-Methoden angeht?, sagt er. ?Mit diesen kann man nicht die menschliche Kreativit?t ersetzen, aber sie eignen sich, um dem Menschen mühsame repetitive Arbeiten abzunehmen.?

Für diese Forschungsarbeit nutzten die Wissenschaftler ein auf kleine Tiere zugeschnittenes Optoakustik-Tomographieger?t, und sie trainierten das Machine-Learning-System mit Bildern von M?usen. Als n?chstes gehe es darum, die Methode bei Optoaktustik-Bildern von Geweben des Menschen anzuwenden, sagt Razansky.

Die Funktion des Gewebes sichtbar machen

Anders als die Optoakustik (oder Photoakustik) bilden viele Bildgebungsverfahren – darunter Ultraschall, R?ntgen und MRI – nur die Strukturen des K?rperinnern ab. Um zus?tzlich funktionelle Informationen zu erhalten, zum Beispiel zum Stoffwechsel, müssen dem Patienten vor der Bildgebung Kontrastmittel oder radioaktive Tracer verabreicht werden. Die optoakustische Methode hingegen liefert auch ohne Kontrastmittel funktionelle und molekulare Informationen, etwa lokale Ver?nderungen der Blutsauerstoffkonzentration – eine wichtige Information bei der Früherkennung von Krebs – oder den Lipidgehalt von Blutgef?ssw?nden, was der Diagnose von Herzkreislauferkrankungen dient.

Weil die bei der optoakustischen Bildgebung genutzten Lichtwellen im Gegensatz zu anderen Wellen den K?rper nicht vollst?ndig durchdringen, eignet sich die Methode allerdings nur, um Gewebe bis in eine Tiefe von wenigen Zentimetern unter der Haut zu untersuchen.

Literaturhinweis

Davoudi N, Deán-Ben XL, Razansky D: Deep learning optoacoustic tomography with sparse data, Nature Machine Intelligence, 16. September 2019, doi: externe Seite 10.1038/s42256-019-0095-3

JavaScript wurde auf Ihrem Browser deaktiviert