Navigation

Medizinische Bildgebung: schnelleres Bild, gleiche Qualität

Porträt Elisabeth Hoppe vor Tafel
FAU-Informatikerin Elisabeth Hoppe ist als KI-Newcomerin des Jahres nominiert. (Bild: Alexander-Preuhs)

FAU-Doktorandin Elisabeth Hoppe als KI-Newcomerin nominiert

Sie promoviert an der FAU auf dem Gebiet der quantitativen MR-Bildgebung in Kombination mit Deep Learning und hat eine auf Deep Learning basierende Rekonstruktionsmethode für die quantitative Bildtechnik Magnetic Resonance Fingerprinting entwickelt. Dafür ist Elisabeth Hoppe vom Lehrstuhl für Mustererkennung von der Gesellschaft für Informatik als KI-Newcomerin des Jahres nominiert worden. Im Interview erklärt sie ihren Forschungsansatz und was sie an KI begeistert.

Frau Hoppe, Sie haben eine auf Deep Learning basierende Rekonstruktionsmethode für die quantitative Bildtechnik Magnetic Resonance Fingerprinting (MRF) entwickelt. Können Sie Laien erklären, was darunter zu verstehen ist?

Das Magnetic Resonance Fingerprinting ist – im Gegenteil zur klassischen MR-Bildgebung – eine quantitative Bildgebung. Das heißt, mit klassischen MR-Techniken bekommen wir Grauwertstufenbilder, auf denen nur Kontrastunterschiede von verschiedenen Geweben zu sehen sind. Mit der MRF hingegen werden eine Vielzahl an Bildern aufgenommen, die für jeden Bildpunkt eine Zeitserie ergeben. Eine Bildstelle wird durch ganz viele Zeitpunkte repräsentiert. Das heißt, je nachdem, was ich für ein Gewebe habe, sieht diese Zeitserie anders aus, enthält also verschiedene Muster. Für die klassische Bildgebungsrekonstruktion werden Zeitserien für verschiedene Gewebeparameter, die möglich sind, simuliert. Jedes am Patienten aufgenommene Bild wird dann mit der Simulation verglichen, um klären zu können, ob es sich um krankes oder gesundes Gewebe handelt. Je genauer es werden soll, desto mehr Vergleiche müssen natürlich gemacht werden. Pro Bildpixel kann die klassische Bildrekonstruktion dafür mehrere Minuten brauchen. Der große Vorteil von MRF ist dabei, dass durch eine solche Aufnahme und Rekonstruktion wir nun an jeder Bildposition eine quantitative Information enthalten, die auf den tatsächlichen Gesundheitszustand des Gewebes schließen lässt – und nicht nur verschiedene Gewebearten zeigt, wie andere klassische MR-Bildgebungen.

Hier setzt meine Forschung an: Diese Bildrekonstruktionen will ich durch neuronale Netzwerke, durch Deep Learning, ersetzen. Dafür bringe ich den Netzwerken bei, wie ein Gewebe zu einem bestimmten Zeitpunkt und in einem bestimmten Zustand aussieht. So können die Bildaufnahmen von Patient/-innen direkt ausgewertet werden, ohne sie mit der großen, simulierten Basis zu vergleichen. Dieser Ansatz ist viel schneller. Es dauert nur wenige Millisekunden bei vergleichbarer Qualität.

Wie verbessert die Technik die Bildgebungsverfahren, was sind die Vorteile für die Patientinnen und Patienten?

Zurzeit sind wir noch in der Vorentwicklung. Wenn es aber einmal soweit ist, können die Rekonstruktionen auf Basis von Deep Learning direkt nach der Untersuchung, ohne Wartezeit für die Patient/-innen, ausgewertet und besprochen werden. Anwendungsbeispiele sind unter anderem Kopftumore, Epilepsie oder auch Prostatakrebs.

Was begeistert Sie an künstlicher Intelligenz (KI)?

Eine Sache, die mich zweifellos begeistert, und wo die Kritik, der Hype um künstliche Intelligenz sei aufgebläht, zu kurz greift, ist der Performance-Unterschied zu herkömmlichen Verfahren. Die KI-Techniken im Bereich der Mustererkennung sind in den vergangenen Jahren extrem gereift. Und die großen Datenmengen, die inzwischen anfallen, können mit KI einfach automatisch verarbeitet werden. Wenn ein Arzt die vielen Bilder alle einzeln segmentiert durchschauen muss, was krankhaft, was gesund ist – dann ist das sehr anstrengend. Er wird irgendwann müde, macht unter Umständen Fehler. Künstliche Intelligenz wird nicht müde, macht die Arbeit aber genauso gut wie ein Arzt oder eine Ärztin. Das begeistert und motiviert mich, die KI auch in anderen Bereichen wie der Bildrekonstruktion anzuwenden und weiter voranzutreiben.

Außerdem finde ich es spannend, zu beobachten, wie die Welt auf KI reagiert: Sie wandelt die Industrie, die Wissenschaft sowieso, aber auch die Zivilgesellschaft. KI wird für immer mehr Anwendungen eingesetzt – wie Bildrekonstruktion, Segmentierung, Diagnoseunterstützung – und es gibt noch so viele Möglichkeiten, die noch gar nicht erforscht sind.

Was zeichnet die FAU als starken Standort in der KI-Forschung, insbesondere in der Medizintechnik, aus?

Vor allem die sehr gute Vernetzung zwischen FAU und der umliegenden Industrie, allen voran Siemens, die auch für meine Arbeit enorm wichtig ist. Wir bekommen dadurch viel Input, was gerade in der Anwendung relevant ist. Auch das Uni-Klinikum Erlangen spielt hier eine große Rolle. Dadurch erhalten wir Forscherinnen und Forscher viel innovativen Input. Aber auch internationale Kooperation sind sehr wertvoll, wie zum Beispiel zwischen dem Lehrstuhl für Mustererkennung, an dem ich bin, und der Johns-Hopkins-Universität in den USA.

Sehr wertvoll ist aber auch, dass die FAU eine Volluniversität ist. Doktorandinnen und Doktoranden sowie Wissenschaftlerinnen und Wissenschaftler aus verschiedenen Instituten können sich über kurze Wege zusammenschließen, Forschungsprojekte weiterspinnen, sich unterstützen. Das ist ein sehr inspirierendes Forschungsumfeld.

Abstimmung für die KI-Newcomer/-innen des Jahres

Mit dem Projekt „#KI50: Künstliche Intelligenz in Deutschland – gestern, heute, morgen“ will die Gesellschaft für Informatik e.V. (GI) den Blick auf junge engagierte KI-Forscherinnen und -Forscher aller Disziplinen lenken und zeichnet dafür im „Wissenschaftsjahr 2019 – Künstliche Intelligenz“ des Bundesministeriums für Bildung und Forschung 10 herausragende KI-Newcomerinnen und -Newcomer aus. Die Abstimmung läuft noch bis zum 17. November. Weitere Informationen gibt es auf deren Webseite.

Für Elisabeth Hoppe können Sie direkt hier abstimmen.

Weitere Informationen:

Elisabeth Hoppe
Tel.: 09131/85-27874
elisabeth.hoppe@fau.de

Weitere Hinweise zum Webauftritt