Multidimensionale Quantifizierung von Hirngewebe mittels der Anwendung neuronaler Netze auf frequenzsensitive Magnetresonanzsignale

01.03.2023 bis 28.02.2026

Quantitative MRT kommt dem Ursprung pathologischer Gewebeveränderungen bei neurologischen Erkrankungen nachweislich näher als qualitative Bildkontraste und weist eine höhere Empfindlichkeit auf, um Anomalien in einem frühen Stadium des Krankheitsverlaufs zu erkennen. Um Gewebe hinsichtlich der Mikrostruktur, biochemischen Zusammensetzung oder Physiologie so genau wie möglich zu charakterisieren und zwischen zeitgleich ablaufenden pathophysiologischen Prozessen zu unterscheiden, bedarf es multiparametrischer Methoden. Trotz der anerkannten Überlegenheit der quantitativen gegenüber der qualitativen gewichteten MR-Neurobildgebung in Bezug auf den diagnostischen Informationsgehalt haben multidimensionale Ansätze, die mehrere gewebespezifische Parameter gleichzeitig bestimmen können, noch kaum Eingang in den klinischen Routinebetrieb gefunden. Multiparametrische quantitative Bildgebung erfordert die Aufnahme mehrerer unterschiedlich gewichteter qualitativer Bildkontraste, was häufig zu äusserst langen Messzeiten, geringer räumlicher Auflösung oder begrenzter anatomischer Abdeckung führt.

Unser Ziel ist es, die starke Abhängigkeit frequenzsensitiver MR-Signale, die durch phasenzyklische Balanced Steady-State Free Precession (bSSFP)-Bildgebung erzeugt werden, von der Mikrostruktur und Zusammensetzung des Gewebes für eine multidimensionale Charakterisierung des Gehirns zu nutzen. Um die erwähnten Einschränkungen herkömmlicher Methoden zu überwinden, schlagen wir vor, neuartige frequenzsensitive Multikontrast-bSSFP-Sequenzen zu entwickeln und mit künstlicher Intelligenz gestützter Datenanalyse zu kombinieren. In Vorarbeiten haben wir gezeigt, dass Gewebekenngrössen (T1, T2, Diffusivität, Anisotropie) anhand des bSSFP-Frequenzprofils durch überwachtes Lernen quantifiziert werden können.

In diesem Projekt werden wir 1) den quantitativen Informationsgehalt der Multikontrast-bSSFP-Messungen maximieren, um Relaxationszeiten (T1, T2, T2*), Magnetisierungstransfer (Anteil gebundener Protonen, Austauschrate) und Diffusionsmetriken (Diffusivität, Anisotropie, Richtungsinformation) zu bestimmen, und 2) die Genauigkeit sowie die Robustheit der Parameterschätzung gegenüber experimentellem Rauschen verbessern, z. B. bei stark beschleunigten Messungen oder geringer Feldstärke. Endziel ist es, ein schnelles multidimensionales 3D-Scanprotokoll mit isotroper Auflösung und Abdeckung des ganzen Gehirns zu entwickeln. Das Design der künstlichen neuronalen Netze wird sowohl überwachtes als auch nicht überwachtes model-basiertes Lernen umfassen. Die Frequenzantwort der zugrundeliegenden bSSFP-Sequenz wird so modelliert, dass eine möglichst hohe Empfindlichkeit gegenüber den zu schätzenden Parametern erreicht wird, z. B. durch die Erzeugung oszillierender stationärer Zustände. MR-Daten für das Training und Testen der neuronalen Netze werden in verschiedenen Signal-Rausch-Verhältnis-Szenarien bei niedrigen (64 mT), hohen (3 T) und ultrahohen (9.4 T) Feldstärken aufgenommen.