Neues Deep-Learning-Modell füllt fehlende Bilddaten für Alzheimer‑Diagnose auf

Ein neues Forschungsprojekt aus dem Bereich der künstlichen Intelligenz hat ein innovatives Verfahren vorgestellt, das fehlende Bilddaten bei der Alzheimer‑Diagnose zuverlässig ergänzt. Durch den Einsatz eines konditionalen Denoising‑Diffusion‑Probabilistic‑Models werden Diffusions‑gewichtete Bilddaten (DWI) aus vorhandenen T1‑gewichteten Magnetresonanztomographien (MRI) rekonstruiert.

Die Kombination mehrerer Bildmodalitäten – T1 und DWI – ist bekannt dafür, die diagnostische Genauigkeit bei neurodegenerativen Erkrankungen zu erhöhen. In der Praxis fehlen jedoch häufig komplette multimodale Datensätze, was die Leistungsfähigkeit von Deep‑Learning‑Modellen einschränkt. Das neue Verfahren füllt diese Lücken, indem es fehlende DWI‑Scans aus den vorhandenen T1‑Scans generiert und so die Datenbasis vervollständigt.

Um die Wirksamkeit zu prüfen, wurden umfangreiche Experimente durchgeführt, die die Klassifikation von Alzheimer in drei Klassen (kognitiv normal, leichtes kognitives Defizit, Alzheimer) bewerten. Die Ergebnisse zeigen signifikante Verbesserungen in mehreren Leistungsmetriken, insbesondere bei den weniger häufig vertretenen Klassen. Die Imputation trägt somit dazu bei, die Genauigkeit von ein- und zweimodalen Deep‑Learning‑Modellen zu steigern.

Diese Entwicklung unterstreicht das Potenzial von generativen Modellen, die Datenlücken in der medizinischen Bildgebung zu schließen und damit die diagnostische Präzision für Alzheimer und ähnliche Erkrankungen zu erhöhen. Das vorgestellte Verfahren eröffnet neue Möglichkeiten für die klinische Praxis, in der oft nur eingeschränkte Bilddaten zur Verfügung stehen.