In der Medizin ist die Magnetresonanztomographie (MRT) ein hochmodernes bildgebendes Verfahren, um dreidimensionale Bilder von Körperregionen darzustellen. Besonders bei der frühzeitigen Erkennung von Krebs wird dieses Verfahren häufig eingesetzt. Dabei wird in der Regel ein Kontrastmittel verwendet, da sich bösartiges Gewebe durch eine sehr schnelle Kontrastmittelaufnahme von normalem Brustgewebe (mit langsamerer Kontrastmittelaufnahme) unterscheiden lässt. Diese Methode ist aber so zeit- und kostenintensiv, dass sie in der Praxis derzeit nur einer sehr kleinen Patient*innengruppe zur Verfügung steht. Zudem gibt es Erkrankte, die auf Grund einer Unverträglichkeit oder einer bestehenden Schwangerschaft kein Kontrastmittel erhalten können. Neben den kontrastmittelgestützten Sequenzen werden bei jeder MRT-Untersuchung aber standardmäßig noch weitere Sequenzen aufgenommen, die nativ (also ohne Kontrastmittelgabe) erstellt werden.
In jüngster Zeit gibt es Hinweise darauf, dass es mit Hilfe von Deep Learning möglich sein könnte, aus den nativen Sequenzen das Kontrastmittel-basierte Bild vorherzusagen. So haben Kleesiek et al. in einer explorativen Studie gezeigt, dass dies bei Aufnahmen des Gehirns zu einem gewissen Grad möglich ist. [1] Dies soll nun auch in einem anderen Bereich, bei der Erkennung von Brustkrebs, erprobt werden. Insbesondere für Hochrisikogruppen (oft junge Frauen mit Brustkrebs-typischen Mutationen), die ein jährliches Mamma-MRT als wichtige Vorsorge-Untersuchung bekommen, könnte dies von höchster klinischer Relevanz sein.
Es steht ein Datensatz mit MRT-Aufnahmen von Patientinnen mit und ohne Brustkrebs zur Verfügung. Dieser enthält Bilder von verschiedenen nativen MRT-Sequenzen, aber auch Bilder, die mit Hilfe von Kontrastmittel erstellt wurden. Mit Hilfe von Deep Learning soll ein Neuronales Netz trainiert werden, welches lernen soll, aus den nativen Bildern die Kontrastmittel-basierten Bilder vorherzusagen.
Die berechneten Bilder sollen anschließend mit den Kontrastmittel-basierten Bildern unter Verwendung von verschiedenen Abstandsmaßen (z.B. mittlerer quadratische Fehler oder substraction maps) verglichen werden. Der Vergleich sollte separat für Krebs- und Nicht-Krebs-Bereiche durchgeführt werden.
Startzeitpunkt: ab Januar 2021