Forschung & Entwicklung

Künstliche Intelligenz verbessert medizinische Bildgebung

Mittels Bildkorrektur durch maschinelles Lernen konnte bei der optoakustischen Tomografie die Zahl der Sensoren bei gleicher Bildqualität mehr als halbiert werden. Dies reduziert die Systemkosten und beschleunigt die Bildgebung erheblich.

Mit dem relativ jungen Verfahren der Optoakustik können zum Beispiel Blutgefäße im Körperinnern sichtbar gemacht, die Gehirnaktivität untersucht oder Brustkrebs und Hautkrankheiten diagnostiziert werden. Die Bildqualität, die ein Gerät liefert, hängt allerdings stark von seiner Anzahl Sensoren und ihrer Verteilung ab: Je mehr davon, desto besser die Bildqualität.

Forscher unter der Leitung von Daniel Razansky, Professor für biomedizinische Bildgebung an der ETH Zürich und der Universität Zürich, suchten nach einer Möglichkeit, die Bildqualität von kostengünstigen Optoakustikgeräten für die Medizin zu erhöhen.

Bei der optoakustischen Bildgebung werden extrem schnelle Laserpulse ins Gewebe geschickt, die dort absorbiert und in Ultraschallwellen umgewandelt werden. Diese werden dann ähnlich wie bei der Ultraschallbildgebung detektiert, um daraus ein Bild zu erstellen.

Die Wissenschaftler nutzten für ihren Ansatz zunächst ein von ihnen selbst entwickeltes hochwertiges Optoakustikgerät mit 512 Sensoren, das qualitativ hochwertige Bilder lieferte. Diese ließen sie von einem künstlichen neuronalen Netzwerk analysieren. Dabei lernte das Netzwerk die Merkmale der hochwertigen Bilder.

Anschließend schalteten die Forscher einen Großteil der Sensoren aus, so dass nur noch 128 und im nächsten Schritt 32 Sensoren übrigblieben. Weil es an Daten mangelte, durchzogen streifenartige Störsignale das Bild. Wie sich jedoch herausstellte, war das zuvor trainierte Machine-Learning-System mit seinem Algorithmus in der Lage, diese Verzerrungen zu korrigieren. Dadurch erhöhte sich die Bildqualität deutlich und war vergleichbar mit der Qualität einer Messung mit 512 Sensoren.

Bei der Optoakustik erhöht sich die Bildqualität nicht nur mit der Anzahl benutzter Sensoren, sondern auch, wenn das Untersuchungsobjekt aus möglichst vielen unterschiedlichen Richtungen erfasst wird. Der entwickelte Algorithmus verbesserte die Qualität von Bildern, die aus nur einem engumfassten Sektor aufgenommen wurden. Dies ist bei klinischen Anwendungen von Bedeutung, denn die meisten oberflächennahen Teile des menschlichen Körpers kann man nur aus einer Richtung erfassen.

Wie die Wissenschaftler betonen, ist ihr Ansatz nicht auf die optoakustische Bildgebung beschränkt. Weil die Technik nicht die Rohdaten analysiert, sondern die fertigen Bilder, eignet sie sich auch für andere Bildgebungsverfahren.

von mg

Originalveröffentlichung:
[N. Davoudi, X. L. Deán-Ben, D. Razansky, Deep learning optoacoustic tomography with sparse data, Nature Machine Intelligence (2019), DOI: 10.1038/s42256-019-0095-3]

www.ethz.ch

Firmeninformationen
© photonik.de 2019 - Alle Rechte vorbehalten