Short-TR Optimization on Post-Contrast Deep Learning Synthetic MRI (DL-MAGiC) for Improved Visualization of ACTH-Secreting Pituitary Microadenomas: A Technical Feasibility Study

In der komplexen Landschaft der menschlichen Gesundheit ist die Hypophyse ein winziges, aber lebenswichtiges Organ, das oft als „Meisterdrüse“ bezeichnet wird, weil sie das hormonelle Orchester des Körpers dirigiert. Wenn ein mikroskopisch kleiner Tumor auf dieser Drüse wächst und zu viel eines Hormons namens ACTH ausscheidet, löst dies eine Erkrankung aus, die als Cushing-Krankheit bekannt ist. Diese Erkrankung verursacht schwere körperliche Veränderungen und Gesundheitsrisiken, weshalb es für Ärzte entscheidend ist, den exakten Ort des Tumors vor der Operation zu lokalisieren. Jahrzehntelang war die Magnetresonanztomographie, oder MRT, der Goldstandard für diese Suche. Die Aufgabe ist jedoch notorisch schwierig. Der Tumor ist oft kleiner als ein Reiskorn, und nachdem ein Kontrastmittel injiziert wurde, um Gewebe sichtbar zu machen, leuchten der Tumor und die gesunde Drüse oft mit einer ähnlichen Helligkeit auf. Dieser Mangel an Differenzierung führt dazu, dass der Tumor im Hintergrund verschmilzt, was in einer signifikanten Anzahl von Fällen zu Fehldiagnosen führt. Wenn ein Chirurg den Tumor nicht finden kann, sieht sich der Patient möglicherweise mit wiederholten Scans, verzögerter Behandlung oder sogar der unnötigen Entfernung beider Nebennieren konfrontiert.

Forscher wissen schon lange, dass die Einstellungen, die verwendet werden, um ein MRT-Bild aufzunehmen, beeinflussen können, wie Gewebe erscheint. Insbesondere die Zeit zwischen den Funkimpulsen, bekannt als Repetitionszeit, und die Zeit der Signalerfassung, bekannt als Echozeit, bestimmen den Kontrast zwischen verschiedenen Geweben. In der traditionellen MRT sind diese Einstellungen festgeschrieben, sobald der Scan beginnt. Wenn die ursprünglichen Einstellungen den Tumor nicht klar zeigen, muss der Patient einen weiteren Scan mit anderen Einstellungen durchführen, was mehr Zeit in Anspruch nimmt und ihn mehr Strahlung oder Kontrastmittel aussetzt. Eine neuere Technologie namens synthetische MRT versucht dies zu lösen, indem sie eine riesige Menge an Rohdaten in einem einzigen Scan erfasst. Aus diesen Daten können Computer Bilder mit jeder Kombination von Zeiteinstellungen generieren, nachdem der Patient die Maschine verlassen hat. Durch das Hinzufügen von Deep Learning, einer Form der künstlichen Intelligenz, die Rauschen bereinigt und Details schärft, verspricht diese Technologie, hochwertige Bilder zu erzeugen, ohne dass ein erneuter Scan erforderlich ist.

Ein Forscherteam am Traditional Chinese Medicine Hospital in Dianjiang und am Peking Union Medical College Hospital setzte sich zum Ziel zu testen, ob dieser neue Ansatz endlich die Lösung für das Problem des Auffindens dieser schwer fassbaren Tumore sein könnte. Sie konzentrierten sich auf eine spezifische Gruppe von Patienten, bei denen die Cushing-Krankheit bereits diagnostiziert worden war und deren Tumore chirurgisch entfernt und pathologisch bestätigt wurden. Die Studie umfasste neunundvierzig Patienten, die einen spezialisierten MRT-Scan unter Verwendung der Deep-Learning-Synthese-Technik durchliefen. Anstatt nur die Bilder zu betrachten, die die Maschine standardmäßig produziert, nutzten die Forscher den Computer, um sechzehn verschiedene Versionen des Scans zu synthetisieren, jede mit einer einzigartigen Kombination von Zeiteinstellungen. Sie maßen dann, wie deutlich der Tumor gegen die gesunde Drüse in jeder Version hervorstach.

Die Ergebnisse zeigten ein klares und überraschendes Muster. Für die große Mehrheit der Patienten, deren Tumore nach der Injektion des Kontrastmittels dunkler als das umliegende gesunde Gewebe erschienen, waren die besten Bilder nicht jene mit Standardeinstellungen. Stattdessen wurden die Tumore am sichtbarsten, wenn die Forscher eine sehr kurze Zeit zwischen den Pulsen verwendeten. In diesen optimalen Bildern verbesserte sich der Kontrast zwischen dem Tumor und der Drüse im Vergleich zu den Standardeinstellungen um fast neunzig Prozent. Die Tumore, die zuvor schwach und schwer unterscheidbar waren, wurden scharf und deutlich. Die Forscher fanden heraus, dass diese Verbesserung am ausgeprägtesten war, wenn die Zeit zwischen den Pulsen auf 100 Millisekunden und die Signalerfassung auf zwischen 5 und 8 Millisekunden eingestellt war. Während die Gesamthelligkeit des Bildes mit diesen Einstellungen leicht sank, nahm der Helligkeitsunterschied zwischen dem Tumor und der Drüse so stark zu, dass der Tumor viel leichter zu erkennen war.

Die Studie untersuchte auch eine kleinere Gruppe von sieben Patienten, deren Tumore heller als das umliegende Gewebe erschienen. In diesen Fällen machte die Änderung der Zeiteinstellungen keinen signifikanten Unterschied in der Sichtbarkeit. Diese Unterscheidung ist wichtig, da sie darauf hindeutet, dass die neue Technik speziell für die häufigste und am schwierigsten zu findende Art von Tumor leistungsstark ist. Die Forscher ließen die Bilder von zwei Experten radiologisch begutachten, ohne dass diese über die verwendeten Einstellungen informiert waren. Die Ärzte bewerteten die Bilder mit den kurzen Zeiteinstellungen konsistent als exzellent und merkten an, dass die Grenzen der Tumore scharf und die Läsionen leicht zu lokalisieren waren. Im Gegensatz dazu wurden die Bilder mit Standard- oder längeren Zeiteinstellungen als mittelmäßig oder schlecht bewertet, wobei die Tumore oft verschwommen oder ununterscheidbar vom gesunden Gewebe erschienen.

Diese Arbeit stellt einen technischen Durchbruch dar, wie MRT-Bilder nach deren Aufnahme verarbeitet werden können. Die Forscher demonstrierten, dass es durch den Einsatz von Deep-Learning-synthetischer MRT möglich ist, die perfekten Einstellungen zu finden, um einen verborgenen Tumor sichtbar zu machen, ohne den Patienten jemals erneut scannen zu müssen. Die Studie bestätigt, dass für die häufigste Art von ACTH-sezernierendem Tumor eine sehr kurze Zeiteinstellung ein viel klareres Bild erzeugt. Die Autoren weisen jedoch vorsichtig darauf hin, dass es sich um eine Machbarkeitsstudie handelt, was bedeutet, dass sie zwar beweist, dass die Methode in einem kontrollierten Umfeld funktioniert, aber noch nicht beweist, dass die Verwendung dieser Einstellungen in einem echten Krankenhaus zu besseren chirurgischen Ergebnissen führt. Der nächste Schritt, den die Forscher planen, besteht darin, diese optimierten Einstellungen direkt auf Standard-MRT-Geräten zu testen, um zu sehen, ob sie die Diagnose in der realen Welt verbessern können. Bis dahin bietet diese Studie einen wichtigen Wegweiser dafür, wie man die Maschine abstimmt, um das Unsichtbare sichtbar zu machen, und bietet die Hoffnung, dass weniger Patienten auf eine Diagnose warten müssen, die gerade außer Reichweite liegt.