DeepMB: Ein Deep Learning Framework für hochauflösende optoakustische Bildgebung in Echtzeit

Um Krankheiten zu verstehen und zu erkennen, verlassen sich Wissenschaftler:innen und medizinisches Personal oft auf bildgebende Verfahren wie Ultraschall oder Röntgen. Je nach Gewebe ist jedoch die Auflösung der resultierenden Bilder limitiert, weshalb eine vergleichsweise neue Methode namens optoakustische Bildgebung zum Einsatz kommt. Diese Methode kombiniert Ultraschall mit optischer Bildgebung durch Laserstrahlen und ist daher ein leistungsstarkes medizinisches Verfahren zur nicht-invasiven Beurteilung einer Vielzahl von Krankheiten, einschließlich Brustkrebs, Duchenne-Muskeldystrophie, entzündlichen Darmerkrankungen und vielen mehr. Diese Technologie bietet die Möglichkeit Patient:innen in der Klinik frühzeitig zu behandeln, jedoch ist die praktische Anwendung durch lange Bildverarbeitungszeiten behindert. Ein Team von Forschenden des Bioengineering Centers und des Computational Health Centers von Helmholtz Munich und der Technischen Universität München hat daher ein Deep-Learning-Framework (DeepMB) entwickelt, das es Klinikmitarbeiter:innen ermöglicht, hochauflösende optoakustische Bilder in Echtzeit zu erhalten. Die neue Entwicklung stellt einen bedeutenden Fortschritt auf dem Weg zur klinischen Anwendung dieser Technologie dar.

Von Prof. Vasilis Ntziachristos und seinem Forscherteam wurde die multispektrale optoakustische Tomographie (MSOT) am Helmholtz Munich und der Technischen Universität München entwickelt und wird von seinem Spin-off-Unternehmen iThera Medical GmbH vertrieben und gemeinschaftlich weiterentwickelt. Ein MSOT-Scanner nutzt den optoakustischen Effekt aus, bei dem Schallwellen erzeugt werden, wenn Licht von einem Material absorbiert wird. Das Gerät fängt die Schallwellen auf und generiert aus diesen mit einem sogenannten Rekonstruktionsalgorithmus Bilder, die auf dem Scanner-Monitor angezeigt werden. Leider liefern einfache Algorithmen, die Bilder in Echtzeit generieren, nur eine unzureichende Bildqualität. Im Gegensatz dazu brauchen komplexere Algorithmen, die hochauflösende Bilder produzieren, eine sehr lange Verarbeitungszeit und sind damit für den klinischen Alltag nicht praktikabel.

Die Lösung: Beschleunigte Optoakustische Bildgebung mit uneingeschränkter Bildqualität

Das neue neuronale Netzwerk DeepMB ist in der Lage, hochauflösende optoakustische Bilder etwa tausendmal schneller zu erzeugen als bisherige Verfahren der Bildrekonstruktion, ohne dass dabei die Bildqualität beeinträchtigt wird. Entscheidend für die verbesserte Leistung war dabei die Trainingsstrategie von DeepMB. Diese basierte auf optoakustischen Signalen, die aus verschiedenen Bildern realer Messungen generiert wurden und mit optoakustischen Bildern abgeglichen wurden, die aus den entsprechenden Signalen rekonstruiert wurden. Das resultierende Framework überwindet auch eine der Hauptherausforderungen der künstlichen Intelligenz: die Übertragbarkeit. Das bedeutet, dass DeepMB in der Lage ist, alle Patientenscans unabhängig vom untersuchten Körperteil oder der analysierten Krankheit, genau zu rekonstruieren.

Klinische Anwendung der optoakustischen Tomographie

Mit DeepMB bekommen Klinikmitarbeiter:innen erstmals die Möglichkeit Bilder mit der MSOT-Bildqualität aufzunehmen. Dies stellt einen bedeutenden Fortschritt für diese Technologie dar. Von der neuen Entwicklung werden nicht nur klinische Studien profitieren sondern letztlich wird DeepMB zu einer besseren Versorgung von Patient:innen führen. Die Grundprinzipien von DeepMB können zudem auf viele andere Rekonstruktionsmethoden in der optoakustischen Bildgebung angepasst werden, einschließlich weiterer Forschungsprojekte von Helmholtz Munich und selbst auf Bildgebungsverfahren wie Ultraschall, Röntgen oder Magnetresonanztomographie (MRT).

^{Funding information}

^{This project has received funding from the Bavarian Ministry of Economic Affairs, Energy and Technology (StMWi) (DIE-2106-0005// DIE0161/02, DeepOPUS) and from the European Research Council (ERC) under the European Union’s Horizon 2020 research and innovation programme under grant agreement No 694968 (PREMSOT).}