Neues universelles MRI-Rekonstruktionsmodell: SDUM liefert skalierbare Ergebnisse
Ein neues, universelles Modell für die Rekonstruktion von Magnetresonanztomographie (MRT)-Daten, das als Scalable Deep Unrolled Model (SDUM) bezeichnet wird, hat die Forschungsgemeinde beeindruckt. Das System kombiniert einen Restormer-basierten Rekonstruktionsalgorithmus, einen lernenden Coil-Sensitivity-Map-Estimator (CSME), eine sampling-aware weighted data consistency (SWDC) und eine universelle Konditionierung (UC) auf Basis von Kaskadenindex und Protokollmetadaten. Durch ein progressives Training, bei dem die Kaskaden schrittweise erweitert werden, erreicht SDUM eine bemerkenswerte Skalierbarkeit.
Die Leistung des Modells folgt einer fast logarithmischen Beziehung zwischen der Anzahl der Parameter und der Bildqualität, gemessen an PSNR. Mit bis zu 18 Kaskaden zeigt SDUM eine Korrelation von r = 0,986 (R² = 0,973), was auf vorhersehbare Leistungssteigerungen bei zunehmender Modelltiefe hinweist. Ein einziger, auf heterogenen Daten trainierter SDUM erzielt Spitzenleistungen in allen vier Tracks der CMRxRecon2025-Herausforderung – multi-center, multi-disease, 5 T und pediatric – ohne dass ein task-spezifisches Fine‑Tuning erforderlich ist. Im Vergleich zu spezialisierten Baselines übertrifft es diese um bis zu +1,0 dB.
Auf der CMRxRecon2024-Plattform übertrifft SDUM die bisherige Siegerlösung PromptMR+ um +0,55 dB, während es im fastMRI‑Brain-Benchmark PC‑RNN um +1,8 dB übertrifft. Ablationsstudien belegen die Wirksamkeit jedes Moduls: SWDC liefert +0,43 dB gegenüber herkömmlicher Datenkonsistenz, per‑Cascade CSME +0,51 dB und die universelle Konditionierung +0,38 dB. Diese Ergebnisse demonstrieren, dass SDUM ein praktikabler Weg zu einer universellen, skalierbaren MRT-Rekonstruktion darstellt.
Die Einführung von SDUM markiert einen bedeutenden Fortschritt in der medizinischen Bildgebung, da es die bisherige Einschränkung, dass Deep‑Learning‑Modelle oft pro Protokoll spezifisch sind, überwinden kann. Durch die Kombination von fortschrittlichen Lerntechniken und einer modularen Architektur bietet SDUM die Grundlage für eine breitere, effizientere Anwendung von KI in der klinischen MRT.