Diese Studie untersucht den Einsatz von Deep Learning (DL) zur Optimierung von MRT-Protokollen für Patient:innen mit Glioblastomen. Glioblastome, die häufigsten und aggressivsten bösartigen Hirntumore bei Erwachsenen, erfordern häufige und detaillierte Überwachungen durch MRTs - ein Prozess, der für schwerkranke Patient:innen aufgrund langer Scanzeiten und möglicher Bewegungsartefakte besonders herausfordernd sein kann. Diese Studie untersucht daher die Effektivität eines DL-optimierten MRT-Protokolls, das sowohl die Untersuchungszeit verkürzen als auch die Bildqualität erhöhen soll.

Es wurden traditionelle Ansätze, wie parallele Akquisitionstechniken (PATs) und Compressed Sensing (CS) eingesetzt, um die Untersuchungszeit zu verkürzen und damit verbundene Herausforderungen zu bewältigen. Diese Methoden haben jedoch ihre Grenzen: PATs können zu einer Verringerung des Signal-Rausch-Verhältnisses proportional zur Quadratwurzel des PAT-Faktors führen, während das CS Bilder erzeugen könnte, die übermäßig geglättet und detailarm wirken.

Die Forscher:innen betonen das Potenzial von DL zur Optimierung von MRT-Protokollen: „Die Integration von DL-Rekonstruktionstechniken (DLR) in die medizinische Bildgebung bietet das Potenzial, die diagnostische Genauigkeit und Effizienz bei Gliompatient:innen zu verbessern. Dennoch ist weitere Forschung erforderlich, um die Qualität der von DL generierten Bilder systematisch zu untersuchen und ihre praktische Anwendung in der klinischen Routine zu optimieren.“

Die Studie umfasste 33 Patient:innen mit histologisch bestätigtem Glioblastom, die einer Hirntumorbildgebung an einem 3-Tesla-MRT-Scanner unterzogen wurden. Zwei erfahrene Neuroradiologen führten unabhängige Bewertungen der Bilddatensätze durch, wobei sie sich auf die subjektive Bildqualität, Diagnosesicherheit, die Tumorsichtbarkeit, das Rauschniveau, Artefakte und die Schärfe konzentrierten. Darüber hinaus haben sie das Tumorvolumen basierend auf den Kriterien der Response Assessment in Neuro-Oncology (RANO) 2.0 gemessen und die Ergebnisse zwischen den beiden Bildgebungstechniken sowie mit verschiedenen klinisch-pathologischen Parametern verglichen.

Die wichtigsten Ergebnisse der Studie umfassen:

• Zeitersparnis: Die DL-optimierten MRT-Sequenzen reduzierten die Untersuchungszeit im Durchschnitt um 30%, ohne die Bildqualität zu beeinträchtigen.
• Verbesserte Bildqualität: Die DL-optimierten MRT-Sequenzen zeigten eine überlegene Bildqualität, einschließlich schärferer Bilder, besserer Tumorsichtbarkeit und reduziertem Rauschen, was die diagnostischen Möglichkeiten insgesamt verbesserte. Diese Verbesserungen sind entscheidend zur Bewahrung einer hohen Diagnosesicherheit und -genauigkeit.
• Erhalt der diagnostischen Genauigkeit: Unter Verwendung der mint Lesion™-Software bestätigte die Studie, dass das DL-optimierte Protokoll die Tumorvolumenmessungen oder die Beurteilung des Ansprechens nicht negativ beeinflusste und somit die Konformität mit bewährten neuroonkologischen Verfahren gewährleistete. Dies wurde durch die RANO 2.0-Kriterien validiert.
• Praktische Vorteile: Die kürzeren Scanzeiten und die verbesserte Bildqualität sind besonders vorteilhaft für Patient:innen, die Schwierigkeiten haben, während längerer MRT-Verfahren stillzuhalten, da sie die Notwendigkeit von Wiederholungsscans verringern und Bewegungsartefakte minimieren.

Diese Studie unterstreicht das Potenzial von DL-optimierten MRT-Protokollen zur Steigerung der Effizienz und Qualität der Bildgebung bei Glioblastomen und bietet einen vielversprechenden Ansatz für Ärzt:innen und Patient:innen gleichermaßen.

Lesen Sie hier die Originalveröffentlichung: https://www.mdpi.com/2072-6694/16/10/1827

Gohla, Georg, Till-Karsten Hauser, Paula Bombach, et al. 2024. „Speeding Up and Improving Image Quality in Glioblastoma MRI Protocol by Deep Learning Image Reconstruction.” Cancers 16.10: 1827.