Bessere Bilder von der Leber (aus: einBlick vom 23.06.2020 von Robert Emmerich, Universität Würzburg)

Es gibt einige Gründe, warum Ärztinnen und Ärzte möglichst gute Bilder von der Leber brauchen. Zum Beispiel streuen viele Tumorarten Metastasen in die Leber, die man im Verlauf der Therapie dann im Blick behalten muss. Auch bei der Behandlung alkoholbedingter Leberzirrhosen ist eine gute Bildgebung wichtig.

„Die Röntgentomographie liefert in beiden Fällen Bilder, deren Kontrast nicht immer optimal ist“, sagt Herbert Köstler, Professor für Experimentelle Radiologie am Universitätsklinikum Würzburg. Darum sei im Fall der Leber die MR-Tomographie das Mittel der Wahl. Das Kürzel MR steht für Magnetresonanz – eine Form der medizinischen Bildgebung, die nicht auf Röntgenstrahlen basiert, sondern auf Magnetfeldern.

Ziel: MR-Aufnahmen der Leber beschleunigen

Ein Nachteil der MR ist es, dass es relativ viel Zeit braucht, um die Bilder aufzunehmen. Will man die Leber gut abbilden, dauert das pro Aufnahme bis zu 20 Sekunden. So lange muss der Patient die Luft anhalten, weil seine Atembewegungen die Bildgebung stören würden. Außerdem können bis zu drei Aufnahmen nötig sein, um ein umfassendes Bild von der Leber zu gewinnen.

„Darum wollen wir versuchen, die Geschwindigkeit von MR-Aufnahmen der Leber zu beschleunigen“, sagt Köstlers Kollege Dr. Tobias Wech. An diesem neuen Projekt arbeiten aus der Mathematik Professor Alfio Borzì von der Universität Würzburg, Professorin Bernadette Hahn von der Universität Stuttgart und Professor Andreas Maier von der Universität Erlangen-Nürnberg mit. Dieses „Kernteam“ kooperiert schon seit mehreren Jahren mit dem Ziel, die medizinische Bildgebung noch besser zu machen.

Fördergeld fließt auch in Promotionsstellen

„Uns war immer klar, dass wir mit den neuen Methoden der Künstlichen Intelligenz und des maschinellen Lernens in der medizinischen Bildgebung einiges voranbringen könnten“, erklärt Borzì. Als dann vor Kurzem das Bundesministerium für Bildung und Forschung (BMBF) genau auf diesem Gebiet ein Förderprogramm auflegte, stellten die Würzburger Forscher und ihre Partner einen Antrag.

Sie hatten Erfolg: Für ihr Projekt „Intelligente MR-Diagnose der Leber durch Verknüpfung von modell- und datengetriebenen Verfahren (iDeLIVER)“ bewilligte ihnen das BMBF rund 900.000 Euro. Gut die Hälfte davon fließt nach Würzburg; das Geld wird unter anderem zur Finanzierung von Promotionsstellen verwendet. In der Mathematik arbeitet Doktorandin Nadja Vater am Projekt mit, in der Radiologie Doktorand Jonas Kleineisel. Am 1. Mai 2020 ist iDeLIVER gestartet.

Modell- und datengetriebene Verfahren kombinieren

Was das Projektteam in den kommenden drei Jahren klären will: Lassen sich MR-Aufnahmen der Leber beschleunigen, wenn man modell- und datengetriebene Verfahren kombiniert? Welche Vor- und Nachteile haben die Verfahren jeweils?

Was unter modellgetriebenen MR-Verfahren zu verstehen ist, erklärt Köstler: „Man beschleunigt in diesem Fall die MR mit dem Modell, dass die Bilder komprimierbar sind und dass es ausreicht, nur die relevanten Informationen aufzunehmen, um die Bilder zu berechnen.“ Dieses Modell wurde aus der Speicherung von Fotoaufnahmen abgeleitet: Digitalkameras komprimieren die Rohdaten zum jpg-Format und liefern dennoch sehr gute Fotos. Denn etwa 90 Prozent der Bildinformationen sind gar nicht nötig, um ein Bild zu erzeugen, das für das menschliche Auge hervorragend erscheint.

In einem datengetriebenen Verfahren dagegen lassen sich MR-Bilder womöglich schneller aufnehmen, wenn man in das System sehr viele Bildbeispiele von gesunden und erkrankten Lebern einspeist, wie Professor Borzì erklärt. Daraus kann der Computer lernen, worum es sich im Einzelfall handelt, und in der Folge die diagnostischen Bilder schneller erzeugen.

Die Partner im Projekt iDeLIVER

• Prof. Dr. Bernadette Hahn, Verbundkoordinatorin, Lehrstuhl OIP Inverse Probleme, Universität Stuttgart (bis April 2020 Juniorprofessorin für Inverse Probleme an der Universität Würzburg)
• Prof. Dr. Alfio Borzì, Lehrstuhl für Wissenschaftliches Rechnen, Universität Würzburg
• Prof. Dr. Andreas Maier, Lehrstuhl für Mustererkennung, Universität Erlangen-Nürnberg
• Prof. Dr. Herbert Köstler und PD Dr. Tobias Wech, Experimentelle Radiologie, Universitätsklinikum Würzburg
• Prof. Dr. Thorsten Bley, Institut für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Würzburg
• Dr. Moritz Berger, Siemens Healthcare GmbH, Erlangen
• Prof. Dr. Karsten König und Dr. Andreas Schindele, JenLab GmbH, Berlin