Neues KI-Modell verbessert 4D-Flow-MRI: Rauschreduzierung & Entwirrung

Ein neues, unüberwachtes neuronales Netzwerk namens DAF-FlowNet wurde entwickelt, um die Qualität von 4D-Flow-Magnetresonanztomographien (4D Flow MRI) zu erhöhen. Das Modell korrigiert gleichzeitig Rauschen in den Geschwindigkeitsfeldern und beseitigt Phasen‑Wrapping‑Artefakte, ohne dass manuelle Parameterabstimmungen nötig sind.

DAF-FlowNet beschreibt die Geschwindigkeiten als Wirbel eines Vektorpotentials. Durch diese Parametrisierung wird die Massenerhaltung von vornherein gewährleistet und die Notwendigkeit eines expliziten Divergenz‑Penalties entfällt. Ein Cosinus‑Daten‑Konsistenzverlust ermöglicht die gleichzeitige Rauschunterdrückung und Entwirrung der Phasenbilder.

Bei synthetischen aortalen 4D‑Flow‑MRI‑Datensätzen, die aus Computational‑Fluid‑Dynamics‑Simulationen stammen, erzielte DAF-FlowNet deutlich bessere Ergebnisse als bestehende Verfahren: bis zu 11 % geringere Geschwindigkeits‑NRMSE, 11 % geringere Richtungsfehler und 44 % geringere Divergenz. Das Modell blieb auch bei moderaten Segmentierungsfehlern robust.

Für die Entwirrung zeigte DAF-FlowNet bei Peak‑Geschwindigkeits‑/Velocity‑Encoding‑Verhältnissen von 1,4 und 2,1 residuale gewickelte Voxels von 0,18 % bzw. 5,2 %. Das entspricht einer Reduktion von 72 % bzw. 18 % gegenüber dem besten Alternativverfahren.

In Szenarien mit gleichzeitigem Rauschen und Aliasing übertraf das einheitliche Modell die führende sequenzielle Pipeline: bis zu 15 % geringere Geschwindigkeits‑NRMSE, 11 % geringere Richtungsfehler und 28 % geringere Divergenz. Auf zehn Datensätzen von Patienten mit hypertropher Kardiomyopathie bewahrte DAF-FlowNet feine Strömungsdetails, korrigierte aliasierte Bereiche und verbesserte die interne Flusskonsistenz, was sich in deutlich reduzierten Divergenzwerten zeigte.