Medical Imaging Center Bonn (Teil 1) Wie KI die medizinische Bildgebung voranbringt

Am Medical Imaging Center Bonn (MIB) beginnt die Zukunft der Bildgebungstechnologie. Beim diesjährigen Schlüsselevent für medizinische Bildgebung, dem Symposium MIB Future Panel 2022, trafen rund 200 Forschende auf Industrie und Start-ups und stellten Anwendungsbeispiele vor. Medizinische Bildgebung und Bildanalyse sind hochaktuelle wissenschaftliche Forschungsfelder, die mittlerweile in fast allen medizinischen Fachdisziplinen eine zentrale Rolle einnehmen. Im Rahmen automatisierter Bildauswertung mittels künstlicher Intelligenz (KI) werden sie in Zukunft weiter an Bedeutung gewinnen. Vor diesem Hintergrund wurde das Medical Imaging Center Bonn (MIB) auf Initiative von Prof. Frank Holz, Direktor der Augenklinik des Universitätsklinikums Bonn (UKB), als erstes seiner Art in Deutschland gegründet. Das MIB vereint Wissenschaft mit Expertise in der medizinischen Bildgebung und der Auswertung von Bilddaten mittels KI am attraktiven Forschungsstandort des Venusberg-Campus Bonn. Neben einer aktiven Vernetzung disziplinübergreifender Gruppen soll mit dem MIB auch der Ausbau der Lehre, gemeinsamer Ressourcen und der Forschungsförderung in der Bild-KI-Forschung und Anwendung erfolgen. Sowohl hochauflösende Bildgebungsmodalitäten als auch die Auswertung mittels KI bergen ein enormes Potenzial, um den Arbeitsalltag von Ärztinnen und Ärzten zu erleichtern und die Diagnostik sowie das Therapiemonitoring zu verbessern. Gerade bei der Befundung medizinischer Bilddaten kann KI eine wertvolle Unterstützung im Klinikalltag darstellen. In Zukunft eingesetzte KI-Methoden können Rückschlüsse auf mögliche Erkrankungen liefern und Indikationen für weitere, spezifischere Untersuchungen aufzeigen. Beim diesjährigen Schlüsselevent für medizinische Bildgebung, dem Symposium MIB Future Panel 2022, brachte das MIB im September 2022 ca. 200 namhafte Forscherinnen und Forscher, Vertreterinnen und Vertreter aus Industrie sowie Start-ups zusammen. Dabei haben die MIB-Mitglieder wegweisenden Forschungs- und Anwendungsbeispiele vorgestellt. Smart-Contrast Projekt der Neuroradiologie MRT (Magnetresonanztomographie)-Kontrastmittel hebt krankhafte Strukturen, wie Tumore oder Entzündungen, auf dem MRT-Bild hervor, sodass sie besser sichtbar sind. „Obwohl das Kontrastmittel vom Großteil der Menschen gut vertragen wird, führt es immer häufiger aufgrund möglicher gesundheitlicher Nebenwirkungen zur Verunsicherung der Patientinnen und Patienten, da es z. B. zu allergischen Reaktionen kommen kann oder Kontrastmittel sich langfristig im Körper, insbesondere im Gehirn, dem Knochen und der Haut anreichern“, erklärt Dr. Katerina Deike-Hofmann, Mitgründerin und Geschäftsführerin der relios.vision GmbH. Weitere Nachteile des MRT-Kontrastmittels sind die hohen Kosten sowie eine Anreicherung des MRT-Kontrastmittels, das mit dem Urin ausgeschieden wird, in der Umwelt und im Trinkwasser. Das interdisziplinäre Team aus Radiologie, Mathematik und Informatik der relios.vision GmbH, einem Spin-Off des UKB und der Universität Bonn, hat eine Software entwickelt, die es erlaubt, mithilfe von KI das in der MRT des Schädels verwendete Kontrastmittel auf ein Drittel im Vergleich zur aktuell verwendeten Dosis zu reduzieren. Die ursprünglich als Wissenschaftsprojekt begonnene Arbeit soll nun zur Zulassung als Medizinprodukt führen und damit die MRT-Bildgebung sicherer für Patientinnen und Patienten und Umwelt machen. Mehr zum MIBTeil 2 zur Arbeit des MIB und den Forschungsprojekten rund um moderne Bildgebungstechnologien lesen Sie in Ausgabe 8 von HCM. Weitere Infos gibt es unter: www.mib-center.de Quantitative Imaging Lab Bonn: KI-gestützte Bildanalyse Auch in der Arbeitsgruppe Quantitative Imaging Lab Bonn (QILaB) am UKB bietet der Einsatz von KI-Methoden eine große Chance, um das diagnostische Spektrum in Zukunft zu erweitern und weiter zu verbessern. „Ein Forschungsschwerpunkt des QILaB ist, neue bildgebende Verfahren zu entwickeln, mit denen wir strukturelle Veränderungen von Organen wie der Leber oder des Herzens genauer erfassen und quantifizieren können“, sagt QILaB-Leiter und Sektionsleitung Kardiovaskuläre Bildgebung des UKB PD Dr. Julian Luetkens. Insbesondere interessiert es die Forschenden des UKB, einen bindegewebigen Umbau des Organs, eine sogenannte Fibrosierung, in den Bildern besser erkennbar zu machen. In der Leber kann solch ein bindegewebiger Umbau beispielsweise infolge chronischer Schädigungen durch Noxen (z.B. Alkohol) oder durch eine Virusinfektion begünstigt werden. „Seit einigen Jahren setzten wir nun auch KI-Methoden ein, um automatisiert strukturelle Leberveränderungen an routinemäßigen MRT-Daten zu detektieren“, sagt PD Dr. Luetkens. In einer kürzlich veröffentlichten Arbeit konnte ein von der Arbeitsgruppe trainierter Algorithmus beispielsweise eine Leberzirrhose bereits mit derselben Klassifizierungsgenauigkeit eines erfahrenden Radiologen feststellen. In Zukunft hoffen die Forschenden um Luetkens, mithilfe der KI-Methoden Organveränderungen noch besser erkennen zu können um somit z.B. auch die Anzahl notwendiger invasiver Probeentnahmen (Biopsien) zur Diagnosesicherung zu verringern. "FastSurfer-KI übertrifft die Genauigkeit existierender Ansätze bei Weitem."Prof. Martin Reuter FastSurfer: Analyse von Neuroimagingdaten mit Deep Learning Das Gehirn ist eines der wichtigsten Organe im menschlichen Körper und ist hochgradig komplex. Sein Aufbau besteht aus hunderten von neuroanatomischen vernetzten Strukturen, deren Funktionen bisher kaum erforscht sind. Auch der Ursprung, die Entwicklung und die Behandlung vieler neurologischer und psychologischer Erkrankungen, ist unzureichend geklärt. Mittels MRT ist es inzwischen möglich, gut aufgelöste dreidimensionale Bilder des zentralen Nervensystems anzufertigen, die über viele ungeklärte Fragen Aufschluss geben können. Große Krankheits- und Populationsstudien sammeln daher MRT-Bilder tausender Teilnehmenden, um frühe krankheitsbedingte Veränderungen sowie Risiko- oder Schutzfaktoren für z.B. Demenz zu identifizieren. Dazu sind sehr große Datenmengen nötig, die nur mit automatischen Methoden verarbeitet und analysiert werden können. Das Team von Prof. Martin Reuter (Forschungsgruppe „AI in Medical Imaging“), aktives Mitglied im MIB-Lenkungsausschuss, Leiter der Abteilung Künstliche Intelligenz in der medizinischen Bildgebung am Deutschen Zentrum für Neurodegenerative Erkrankungen in Bonn und an der Harvard Medical School in Boston, USA, entwickelt Methoden zur Bildrekonstruktion sowie zur automatisierten Auswertung von medizinischen Bilddaten. Reuter beschäftigt sich mit der Entwicklung neuer computergestützter Deep-Learning-Ansätze (Methode des maschinellen Lernens). Er und sein Team mit Expertise in Mathematik, Informatik und Technik haben z.B. kürzlich mit der Open-Source-Software FastSurfer einen Durchbruch erzielt: „Die KI in FastSurfer ermöglicht es, ca. 100 neuroanatomische Strukturen in nicht einmal einer Minute detailliert zu beschreiben und zu messen. Dabei übertrifft sie die Genauigkeit und Zuverlässigkeit existierender Ansätze bei Weitem, die dafür ca. vier bis fünf Stunden benötigen, und verringert den Energiebedarf und somit die CO2-Bilanz der Verarbeitung deutlich“, erläutert Reuter. Diese neuen KI-Methoden erschließen weitere Anwendungen, wie die zügige automatische Erkennung bzw. Warnung bei Pathologien, und können somit die ärztliche Entscheidungsfindung direkt unterstützen. Kontakt zur Autorin: Viola Röser, Pressesprecherin, Universitätsklinikum Bonn, viola.roeser@ukbonn.de

Medical Imaging Center Bonn (Teil 1) Wie KI die medizinische Bildgebung voranbringt

Reimbursement im Überblick

Digitale Gesundheit von A bis Z

Newsletter-Anmeldung