KimBi: Auf dem Weg zur KI-gestützten intelligenten Magnetresonanz-Bildgebung

Im AI Center for Health Care-Projekt Auf dem Weg zur KI-gestützten intelligenten Magnetresonanz-Bildgebung soll eine anwendungsnahe Sprache für die Entwicklung von Bildgebungstechniken in der Magnetresonanztomographie entwickelt werden, die die Unterstützung effizienter maschineller Lernverfahren ermöglicht und somit automatisiert die bestmögliche Bildgebung wählt.

Von links: Dr. Daniel Hoinkiss, Christina Plump, Jörn Huber, Ilseok Lee. © Shanice Allerheiligen / U Bremen Research Alliance

Aktivierung erforderlich

Mit einem Klick auf dieses Vorschaubild willigen Sie ein, dass Inhalte von Youtube nachgeladen werden. Hierdurch erhält Google (USA) die Information, dass Sie unsere Seite aufgerufen haben sowie die in diesem Rahmen technisch erforderlichen Daten. Wir haben auf die weitere Datenverarbeitung durch Google keinen Einfluss. Bitte beachten Sie, dass in Bezug auf Youtube und Google kein angemessenes Datenschutzniveau vorliegt.
Weitere Informationen / Datenschutz

Die Universität Bremen, das Fraunhofer MEVIS und das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) entwickeln in diesem Projekt gemeinsam eine anwendungsnahe Sprache für die Entwicklung von Bildgebungstechniken in der Magnetresonanztomographie (MRT), die die Unterstützung effizienter maschineller Lernverfahren ermöglicht und somit automatisiert die bestmögliche Bildgebung wählt.

Der Fokus liegt auf der Entwicklung einer domänenspezifischen Sprache für MR-Sequenzen, die es ermöglicht, die komplexen Muster und Gesetzmäßigkeiten dieser Sequenzen zu beschreiben. Durch diese Sprache können MR-Sequenzen automatisiert und effizienter programmiert werden, was bisher durch mühsame, manuelle Programmierung erfolgte. Die innovative Methode erlaubt es, MR-Sequenzen mittels maschineller Lernverfahren zu optimieren, um automatisch die bestmögliche MR-Sequenz für spezifische Anforderungen zu realisieren. Dies bedeutet einen revolutionären Schritt weg von einer rein chronologischen, physikalischen Beschreibung hin zu einer regelbasierten, anwendungsbezogenen Herangehensweise. Dies könnte die Entwicklungszeiten neuer Techniken erheblich verkürzen, besonders in der patient:innenspezifischen Bildgebung, und die Handhabung und Testung von MR-Sequenzen erleichtern.

Für Patient:innen bedeutet dies kürzere Wartezeiten und eine schnellere Diagnosestellung, da die Messzeiten in Kliniken verkürzt werden können. Intelligente Systeme, die während der MRT-Messung die Daten analysieren und die Messung anpassen, haben das Potenzial, physiologische Auffälligkeiten frühzeitig zu erkennen, noch bevor strukturelle Veränderungen sichtbar werden. Die Kombination mit der MR-Sequenzentwicklungsumgebung gammaSTAR verspricht zudem eine schnelle Überführung der entwickelten Techniken in die breite Anwendung, was einen bedeutenden Fortschritt in der medizinischen Bildgebung darstellt.

"A researcher or a clinician, without any prior MRI sequence programming knowledge, can go to an MRI, use our optimization tool for the perfect MRI sequence and then, gets a solution that has then only to be crosschecked by an expert."
- Christina Plump, Doktorandin DFKI

Projektverantwortliche

Prof. Dr. rer. nat. Matthias Günther

Stellvertretender Institutsdirektor am Fraunhofer MEVIS

KimBi: Auf dem Weg zur KI-gestützten intelligenten Magnetresonanz-Bildgebung

Aktivierung erforderlich

Projektmitarbeitende

Projektverantwortliche

Prof. Dr. rer. nat. Matthias Günther

Beteiligte Institutionen

In der U Bremen Research Alliance kooperieren: