KI verbessert multifrequente MR-Elastografie
Im Rahmen der MICCAI 2025, die vom 23. bis 27. September 2025 in Daejeon, Republik Korea, stattfand, präsentierte Heloise Bustin die wissenschaftliche Arbeit „Multifrequency Neural Network-based Wave Inversion in MR Elastography“. Die Arbeit wurde nun als erweiterter Journal-Artikel veröffentlicht und ist seit dem 11. September 2026 online verfügbar.
Im Rahmen der MICCAI 2025, die vom 23. bis 27. September 2025 in Daejeon, Republik Korea, stattfand, präsentierte Heloise Bustin die wissenschaftliche Arbeit „Multifrequency Neural Network-based Wave Inversion in MR Elastography“. Die Arbeit wurde nun als erweiterter Journal-Artikel veröffentlicht und ist seit dem 11. September 2026 online verfügbar.
Der Artikel „Multifrequency Neural Network-based Wave Inversion in MR Elastography with Uncertainty Quantification“ ist Teil des MICCAI 2025 Special Issue des Journals Medical Image Analysis. In diesem Special Issue werden ausgewählte Beiträge der MICCAI 2025 in erweiterten Fassungen veröffentlicht.
KI unterstützt die Analyse von Gewebesteifigkeit
Die Magnetresonanz-Elastografie (MRE) ist ein nicht-invasives bildgebendes Verfahren, mit dem sich die mechanischen Eigenschaften und insbesondere die Steifigkeit von Gewebe untersuchen lassen. Dazu werden durch Vibrationen erzeugte Scherwellen mittels MRT erfasst und anschließend mathematisch ausgewertet.
Die neue Arbeit entwickelt diesen Ansatz mithilfe eines neuronalen Netzwerks weiter. Das entwickelte Verfahren MF-ElastoNet verarbeitet Messdaten aus mehreren Anregungsfrequenzen direkt gemeinsam, anstatt die einzelnen Frequenzen zunächst getrennt auszuwerten. Dadurch sollen die Informationen aus den unterschiedlichen Frequenzen besser genutzt und die Eigenschaften des Gewebes über einen breiteren Frequenzbereich charakterisiert werden können.
Eine weitere Besonderheit ist die Quantifizierung der Unsicherheit der Vorhersagen. Das neuronale Netzwerk liefert damit nicht nur eine Schätzung der Gewebesteifigkeit, sondern gibt auch Informationen darüber, wie zuverlässig die jeweilige Vorhersage ist. Die Methode wurde in Simulationen, an Phantomen sowie anhand von MRE-Daten der Leber, Milz und Nieren von 37 gesunden Proband:innen untersucht. Dabei wurden Messungen mit Anregungsfrequenzen zwischen 20 und 100 Hz ausgewertet.
Die Ergebnisse zeigen, dass MF-ElastoNet gegenüber Ansätzen, die einzelne Frequenzen getrennt auswerten, eine höhere Genauigkeit bei der Rekonstruktion der Gewebesteifigkeit erreichen kann. Zudem zeigte die Stabilitätsanalyse, dass bereits drei unabhängige Frequenzen ausreichen können, um konsistente Ergebnisse zu erzielen. Die Autor sehen darin einen weiteren Schritt hin zu einer zuverlässigen KI-basierten Auswertung multifrequenter MR-Elastografie.
Die Publikation knüpft an die vorherige Arbeit „ElastoNet: Neural network-based multicomponent MR elastography wave inversion with uncertainty quantification“ an, die ebenfalls in Medical Image Analysis veröffentlicht wurde.
Zum Journal-Artikel:
Multifrequency Neural Network-based Wave Inversion in MR Elastography with Uncertainty Quantification
Zum MICCAI-2025-Beitrag:
Multifrequency Neural Network-based Wave Inversion in MR Elastography
