MAGNET4Cardiac7T - Modellieren von elektromagnetischen Feldern mit neuronalen Netzen für die 7T MRT des Herzens

Abstract

Die kardiale Ultrahochfeld-MRT bei 7 Tesla verspricht durch ihre hohe Sensitivität und Auflösung wesentliche diagnostische Fortschritte. Ein zentrales Hindernis für den klinischen Einsatz ist die patientenindividuelle Sicherheitsbewertung der lokalen spezifischen Absorptionsrate (SAR): Sie erfordert nach IEC 60601 numerische 3D-Vollwellensimulationen der Maxwell-Gleichungen, die je Patient 24–72 Stunden Rechenzeit beanspruchen und damit klinisch nicht praktikabel sind.

Vor Projektbeginn beschränkten sich Deep-Learning-Ansätze zur SAR-Vorhersage auf 2D-Architekturen mit kleinen Datensätzen (< 25 Körpermodelle), benötigten gemessene B+1 -Karten als Eingabe und erzwangen keine physikalische Konsistenz der Vorhersagen. Auch die zugehörige Grundlagenforschung zur datengetriebenen Lösung partieller Differentialgleichungen war auf reguläre Gitter und niedrigdimensionale Problemstellungen beschränkt. Ziel des Vorhabens war daher die Entwicklung von Physics-Informed Neural Networks (PINNs), die die EM-Feldverteilung im menschlichen Thorax bei 7 T innerhalb klinisch vertretbarer Zeit (≤ 15 min) vorhersagen und so eine patientenspezifische SAR-Analyse ermöglichen. Darüberhinaus sollten datenwissenschaftliche Kompetenzen an das Deutsche Zentrum für Herzinsuffizienz (DZHI) Würzburg transferiert werden.