Neue Methoden in der Neuroradiologie: MR-Fingerprinting und synthetische Bildgebung

Was bedeutet „synthetische Bildgebung“? Ist es eine bestimmte Form der Akquisition oder kann man auch durch Postprocessing von Standard-MRTAufnahmen synthetische Bilder erzeugen? Welche Rolle spielt künstliche Intelligenz hierbei? Antworten auf die Fragen, welche synthetischen Verfahren es gibt und wofür diese bereits bei neuroradiologischen Fragestellungen genutzt werden, liefert dieser Übersichtsartikel.

Kernaussagen

• Ziel jeder Form synthetischer Bildgebung ist die Verkürzung der Scanzeit oder die Vermeidung ganzer Untersuchungen für den Patienten.

• Synthetische Neurobildgebung hat sich vor allem um die Modalität MRT entwickelt.

• Synthetische Bildgebung im engeren Sinne ist die Extrapolation gewichteter oder quantitativer Mapping-MRT-Aufnahmen auf Basis einer einzelnen quantitativen MRT-Sequenz durch Verfahren wie „synthetic MRI“ oder MR-Fingerprinting.

• Im weiteren Sinne kann unter synthetischer Bildgebung jede Methode verstanden werden, die Aufnahmen basierend auf anders gewichteten oder nicht gewichteten Rohdaten erzeugt. Damit können auch bereits gewichtete Standard-MRTAufnahmen Rohdaten für synthetische Bilder sein, genauso wie das synthetische Produkt kein MRT-Bild sein muss.

• Beispiele für Nicht-MRT-Produkte synthetischer Neurobildgebung sind Schädel-CT-Aufnahmen basierend auf MRT-Daten und eine PET-Bildgebung basierend auf Daten mit anderen Tracern.

• Künstliche Intelligenz ist bei akquisitionsbasierten Verfahren der synthetischen Bildgebung kein zwingender Bestandteil, wird jedoch zunehmend bei der Bildrekonstruktion verwendet. Bei Verfahren, die auf Postprocessing-Niveau ansetzen, ist die KI überwiegend technische Grundlage.

• Einige Verfahren der synthetischen Bildgebung sind bereits als käufliche Produkte im klinischen Einsatz.

• Perfusionsgewichtete und diffusionsgewichtete Aufnahmen sind die größte Herausforderung für die synthetische Bildgebung.

Publikationsverlauf

Artikel online veröffentlicht:
08. Dezember 2023

• Literatur

• 1 Warntjes JBM, Dahlqvist O, Lundberg P. Novel method for rapid, simultaneous T1, T2*, and proton density quantification. Magn Reson Med 2007; 57: 528-537 DOI: 10.1002/mrm.21165. (PMID: 17326183)
• 2 Bobman SA, Riederer SJ, Lee JN. et al. Cerebral magnetic resonance image synthesis. AJNR Am J Neuroradiol 1985; 6: 265-269 (PMID: 2984911)
• 3 Ma D, Gulani V, Seiberlich N. et al. Magnetic resonance fingerprinting. Nature 2013; 495: 187-192 DOI: 10.1002/jmri.26877. (PMID: 31347226)
• 4 Warntjes JBM, Leinhard OD, West J. et al. Rapid magnetic resonance quantification on the brain: Optimization for clinical usage. Magn Reson Med 2008; 60: 320-329 DOI: 10.1002/mrm.21635. (PMID: 18666127)
• 5 Tanenbaum LN, Tsiouris AJ, Johnson AN. et al. Synthetic MRI for Clinical Neuroimaging: Results of the Magnetic Resonance Image Compilation (MAGiC) Prospective, Multicenter, Multireader Trial. AJNR Am J Neuroradiol 2017; 38: 1103-1110 DOI: 10.3174/ajnr.A5227. (PMID: 28450439)
• 6 Kim E, Cho H-H, Cho SH. et al. Accelerated Synthetic MRI with Deep Learning-Based Reconstruction for Pediatric Neuroimaging. AJNR Am J Neuroradiol 2022; 43: 1653-1659
• 7 Ouellette R, Mangeat G, Polyak I. et al. Validation of Rapid Magnetic Resonance Myelin Imaging in Multiple Sclerosis. Ann Neurol 2020; 87: 710-724 DOI: 10.1002/ana.25705. (PMID: 32057118)
• 8 Ma D, Pierre EY, Jiang Y. et al. Music-based magnetic resonance fingerprinting to improve patient comfort during MRI examinations. Magn Reson Med 2016; 75: 2303-2314
• 9 Poorman ME, Martin MN, Ma D. et al. Magnetic resonance fingerprinting Part 1: Potential uses, current challenges, and recommendations. J Magn Reson Imaging 2020; 51: 675-692 DOI: 10.1002/jmri.26836. (PMID: 31264748)
• 10 Springer E, Cardoso PL, Strasser B. et al. MR Fingerprinting – A Radiogenomic Marker for Diffuse Gliomas. Cancers 2022; 14 DOI: 10.3390/cancers14030723. (PMID: 35158990)
• 11 Keil VC, Bakoeva SP, Jurcoane A. et al. A pilot study of magnetic resonance fingerprinting in Parkinsonʼs disease. NMR Biomed 2020; 33: e4389
• 12 Cohen O, Yu VY, Tringale KR. et al. CEST MR fingerprinting (CEST-MRF) for brain tumor quantification using EPI readout and deep learning reconstruction. Magn Reson Med 2023; 89: 233-249 DOI: 10.1002/mrm.29448. (PMID: 36128888)
• 13 Fan H, Su P, Lin DDM. et al. Simultaneous Hemodynamic and Structural Imaging of Ischemic Stroke With Magnetic Resonance Fingerprinting Arterial Spin Labeling. Stroke 2022; 53: 2016-2025
• 14 Wicaksono KP, Fushimi Y, Nakajima S. et al. Accuracy, repeatability, and reproducibility of T1 and T2 relaxation times measurement by 3D magnetic resonance fingerprinting with different dictionary resolutions. Eur Radiol 2022; DOI: 10.1007/s00330-022-09244-x.
• 15 McGivney DF, Boyacıoğlu R, Jiang Y. et al. Magnetic resonance fingerprinting review part 2: Technique and directions. J Magn Reson Imaging 2020; 51: 993-1007 DOI: 10.1002/jmri.26877. (PMID: 31347226)
• 16 Kara D, Fan M, Hamilton J. et al. Parameter map error due to normal noise and aliasing artifacts in MR fingerprinting. Magn Reson Med 2019; 81: 3108-3123 DOI: 10.1002/mrm.27638. (PMID: 30671999)
• 17 Shridhar Konar A, Qian E, Geethanath S. et al. Quantitative imaging metrics derived from magnetic resonance fingerprinting using ISMRM/NIST MRI system phantom: An international multicenter repeatability and reproducibility study. Med Phys 2021; 48: 2438-2447
• 18 Badve C, Yu A, Rogers M. et al. Simultaneous T1 and T2 Brain Relaxometry in Asymptomatic Volunteers Using Magnetic Resonance Fingerprinting. Tomography 2015; 1: 136-144 DOI: 10.18383/j.tom.2015.00166. (PMID: 26824078)
• 19 Sbrizzi A, Heide O van der, Cloos M. et al. Fast quantitative MRI as a nonlinear tomography problem. Magn Reson Imaging 2018; 46: 56-63 DOI: 10.1016/j.mri.2017.10.015. (PMID: 29103975)
• 20 Kleinloog JPD, Mandija S, DʼAgata F. et al. Synthetic MRI with Magnetic Resonance Spin TomogrAphy in Time-Domain (MRSTAT): Results from a Prospective Cross-Sectional Clinical Trial. J Magn Reson Imaging 2022; DOI: 10.1002/jmri.28425.
• 21 Ji S, Yang D, Lee J. et al. Synthetic MRI: Technologies and Applications in Neuroradiology. J Magn Reson Imaging 2022; 55: 1013-1025 DOI: 10.1002/jmri.27440. (PMID: 33188560)
• 22 Kleesiek J, Morshuis JN, Isensee F. et al. Can Virtual Contrast Enhancement in Brain MRI Replace Gadolinium?: A Feasibility Study. Invest Radiol 2019; 54: 653-660 DOI: 10.1097/RLI.0000000000000583. (PMID: 31261293)
• 23 Jayachandran Preetha C, Meredig H, Brugnara G. et al. Deeplearning-based synthesis of post-contrast T1-weighted MRI for tumour response assessment in neuro-oncology: a multicentre, retrospective cohort study. Lancet Digit Health 2021; 3: e784-e794
• 24 Boulanger M, Nunes J-C, Chourak H. et al. Deep learning methods to generate synthetic CT from MRI in radiotherapy: A literature review. Phys Med 2021; 89: 265-281
• 25 Wang R, Liu H, Toyonaga T. et al. Generation of synthetic PET images of synaptic density and amyloid from 18 F-FDG images using deep learning. Med Phys 2021; 48: 5115-5129
• 26 Ladefoged CN, Hansen AE, Henriksen OM. et al. AI-driven attenuation correction for brain PET/MRI: Clinical evaluation of a dementia cohort and importance of the training group size. Neuroimage 2020; 222: 117221 DOI: 10.1016/j.neuroimage.2020.117221. (PMID: 32750498)