Es soll ein System entwickelt werden, das die Magnetresonanztomographie (MRT) für KI-Anwendungen zugänglich macht. Die MRT ist die flexibelste und variantenreichste Bildgebungsmodalität in der medizinischen Diagnostik. Dieses Potential kommt mit dem Nachteil eines sehr komplexen Entwicklungsvorgangs, das im Wesentlichen aus 5 Komponenten besteht. Die Hochfrequenz-Komponente sorgt für eine Auslenkung der vom Dauermagneten erzeugten Grundmagnetisierung, drei beteiligte Gradientenspulen liefern die örtliche Kodierung und ein Empfangskanal empfängt das vom Gewebe zurückgesendeten Signal. Die Orchestration der verschiedenen Kanäle zu einer funktionierenden MRT-Anwendung wird im Fachgebiet MR-’Sequenz’ genannt. Es gibt quasi unendlich viele Implementierungsvarianten. Dennoch gibt es bestimmte Muster, die durch die zugrundeliegenden physikalischen und biologischen Gesetzmäßigkeiten vorgegeben werden, um bestmögliches Signal, den gewünschten Bildkontrast sowie die gewünschte örtliche Kodierung hervorzurufen.
Heutzutage ist die Implementierung von MR-Sequenzen noch unnötig kompliziert und verlangt eine mühsame, ineffiziente, händische Programmierung der Abfolge der Hardware-Befehle in komplexem Programmcode. Ziel des Projektes ist es, die Muster und Gesetzmäßigkeiten im Rahmen einer domänenspezifischen Sprache für MR-Sequenzen zu beschreiben. Die Sprache repräsentiert die MR-Sequenzen und ihre Effekte symbolisch, und erlaubt es so, diese in Beziehung zu setzen. Sie ermöglicht erst, MR-Sequenzprogrammierung effizient maschinellen Lernverfahren zugänglich zu machen, um z.B. automatisiert die bestmögliche MR-Sequenz mit gewünschten Eigenschaften zu realisieren. Dieses Vorhaben bietet die Chance, die MR-Sequenzentwicklung zu revolutionieren, indem von einer strikt chronologischen, physikalischen Beschreibung zu einer regelbasierten, anwendungsbezogenen Beschreibung von Anforderungen übergegangen wird, aus der dann die MR-Sequenz abgeleitet wird.
Während der bisherigen Laufzeit der Projektes wurde ein erster Prototyp der finalen Anwendung erstellt: In diesem können die Anforderungen an einen MRT-Scan und das resultierende Bild mithilfe einer eigens hierfür entwickelten domänenspezifischen Sprache formuliert werden, die zum einen einen leichten Zugang für medizinisches Fachpersonal und zum anderen eine präzise (das heißt, vom einem automatischen System zu bearbeitende) Formulierung ermöglicht. Diese Anforderungen steuern dann ein KI-gestütztes Optimierungssystem, um die für diese Anwendung optimale Sequenz zu bestimmen. Dafür wendet es Expertenwissen an, welches von den Projektpartner in einer Art Wissensdatenbank über MRT-Sequenzen abgelegt wurde. Auch diese Informationen sind in einer formalen Sprache gefasst, die jedoch auch von Nicht-Programmieren bedient werden und somit bei Bedarf erweitert werden kann. In der Optimierung werden speziell konfigurierte Evolutionäre Algorithmen verwendet, die es ermöglichen die Suchraumeigenschaften gut abzubilden.
Um eine Simulation und Rekonstruktion auch unbekannter Sequenzen zu ermöglichen, werden unter anderem gradientenbasierte Techniken von Seiten der Projektpartner entwickelt. Mit deren Hilfe wird im nächsten Projektjahr die Entwicklung eines hybriden Optimierungsalgorithmus möglich sein, der sowohl auf modellbasierte Daten als auch auf direkt simulierte Daten zurückgreifen kann. Insbesondere das Zwischenspiel beider Techniken bietet Fortschritte im Vergleich zu herkömmlichen Optimierungen im Bereich der MR-Sequenzen. Dies wird durch die gute Zusammenarbeit der Projektpartner ermöglicht, die durch die Verbundunterstützung der U Bremen Research Alliance und dem AI Center for Health unterstützt und gefördert wird. So wurde das Projekt auch auf der zweiten AI in Health Konferenz in Bremen erfolgreich vorgestellt.
Partner
- Universität Bremen
- Fraunhofer-Institut für Digitale Medizin MEVIS
