KI schärft optoakustische Bilder

Wissenschaftler der ETH Zürich und der Universität Zürich haben Methoden des maschinellen Lernens eingesetzt, um die opto­akustische Bildgebung zu verbessern. Mit diesem relativ jungen Verfahren der medizinischen Bildgebung 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. Der neue Ansatz ermöglicht, die Zahl der Sensoren bei gleichbleibender Bildqualität deutlich zu reduzieren. Dadurch können die Gerätekosten reduziert, die Bildgebungs­geschwindigkeit erhöht oder die Diagnose verbessert werden.

Die Optoakustik hat Ähnlichkeiten zur Ultraschall­bildgebung. Bei Letzterer sendet eine Sonde Ultraschall­wellen in den Körper, die das Gewebe reflektiert. Sensoren in der Sonde detektieren die zurück­geworfenen Schallwellen, und aus diesen lässt sich ein Bild des Körperinneren erzeugen. Bei der opto­akustischen Bildgebung hingegen werden extrem schnelle Laserpulse ins Gewebe geschickt, die dort absorbiert und in Ultraschall­wellen umgewandelt werden. Diese werden dann ähnlich wie bei der Ultraschallbilgebung detektiert, um daraus ein Bild zu erstellen. Die Forscher unter der Leitung von Daniel Razansky, Professor für bio­medizinische Bildgebung an der Universität Zürich und der ETH Zürich, suchten nach einer Möglichkeit, die Bildqualität von kosten­günstigen Opto­akustik-Geräten, die nur wenige Ultraschall­sensoren besitzen, zu erhöhen.

Sie nutzten dazu zunächst ein von ihnen selbst entwickeltes hochwertiges Opto­akustik-Gerät mit 512 Sensoren, das qualitativ hochstehende 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 beziehungsweise 32 Sensoren übrig­blieben, mit entsprechend negativen Auswirkungen auf die Bildqualität: 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: je größer der Sektor, in dem die Sensoren rund um das Untersuchungs­objekt angeordnet sind, desto besser die Qualität. Der entwickelte Algorithmus war auch in der Lage, die Qualität von Bildern, die aus nur einem engum­fassten Sektor aufgenommen wurden, deutlich zu verbessern. „Dies ist bei klinischen Anwendungen von Bedeutung, denn die benutzten Laserpulse durchdringen nicht den ganzen menschlichen Körper, und die meisten oberflächen­nahen Teile des mensch­lichen Körpers kann man nur aus einer Richtung erfassen“, sagt Razansky.

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. „Generell kann man sie dazu verwenden, um mit weniger Rohdaten Bilder von guter Qualität herzustellen“, sagt Razansky. Ärzte seien gelegentlich mit Bildgebungs­daten von schlechter Qualität konfrontiert, die sie inter­pretieren müssten. „Wir zeigen, dass sich mit Methoden der künstlichen Intelligenz solche Bilder verbessern lassen, wodurch sich die Inter­pretation vereinfacht.“

Für Razansky ist diese Forschungs­arbeit ein gutes Beispiel, wozu die derzeit existierenden Methoden der künstlichen Intelligenz angewandt werden können. „Viele Leute meinen, dass KI die menschliche Intelligenz ersetzen könnte. Dies wird meiner Meinung nach jedoch überschätzt, jedenfalls was heutige KI-Methoden angeht“, sagt er. „Mit diesen kann man nicht die menschliche Kreativität ersetzen, aber sie eignen sich, um dem Menschen mühsame repetitive Arbeiten abzunehmen.“ Für diese Forschungs­arbeit nutzten die Wissen­schaftler ein auf kleine Tiere zuge­schnittenes Optoakustik-Tomographie­gerät, und sie trainierten das Machine-Learning-System mit Bildern von Mäusen. Als nächstes gehe es darum, die Methode bei Opto­aktustik-Bildern von Geweben des Menschen anzuwenden, sagt Razansky.

ETHZ / JOL

Weitere Infos

• Originalveröffentlichung
  N. Davoudi et al.: Deep learning optoacoustic tomography with sparse data, Nat. Mac. Intell., online 16. September 2019; DOI: 10.1038/s42256-019-0095-3
• Multi-Scale Functional & Molecular Imaging, Eidgenössische Technische Hochschule Zürich ETHZ