Pseudo-gesunde Bildsynthese mittels ortsgeleiteter Diffusionsmodelle zur Lokalisierung von Läsionen bei multiplen kortikalen Dysplasien

Warum das Erkennen winziger Narben im Gehirn wichtig ist

Bei vielen Menschen mit Epilepsie treten trotz wirkstarker Medikamente weiterhin Anfälle auf. Eine häufig übersehene Ursache ist ein winziges, fehlgebildetes Hirngewebeareal, die sogenannte fokale kortikale Dysplasie. Diese Herde lassen sich oft durch eine Operation heilen — vorausgesetzt, Ärztinnen und Ärzte finden sie. Auf Standard-Hirnscans sind die Läsionen jedoch so dezent, dass selbst erfahrene Radiologinnen und Radiologen sie übersehen können. Diese Studie stellt eine neue Künstliche-Intelligenz-(KI-)Technik vor, die sich vorstellt, wie ein Hirnscan im vollständig gesunden Zustand aussehen würde, und anhand der Unterschiede schwer sichtbare Läsionen aufdeckt. Das kann potenziell mehr Patientinnen und Patienten den Weg zur Operation eröffnen.

Kleine Problemstellen in einem großen Krankheitsbild

Epilepsie betrifft weltweit mehr als 70 Millionen Menschen, und etwa ein Drittel hat trotz verschiedener Medikamente weiterhin Anfälle. Bei Kindern ist eine Hauptursache die fokale kortikale Dysplasie, bei der sich ein kleines Hirnareal abnormal entwickelt. Im MRT können diese Bereiche eine leicht verdickte Hirnrinde oder unscharfe Übergänge zwischen Grau- und Weißsubstanz zeigen — Veränderungen, die sehr leicht zu übersehen sind. Da das manuelle Kennzeichnen dieser feinen Auffälligkeiten Schicht für Schicht zeitaufwändig ist und zwischen Kliniken variiert, fehlen große, gut annotierte Datensätze für traditionelle, überwachte KI-Methoden. Die Autoren setzten daher auf schwach überwachtes Anomalie-Erkennen: einen Ansatz, der Muster normalen Gewebes erlernt und alles meldet, was davon abweicht, ohne detailreiche manuelle Umrisse jeder Läsion zu benötigen.

Eine KI, die fragt: Wie würde ein gesundes Gehirn aussehen?

Der Kern der Methode besteht darin, eine „pseudo-gesunde“ Version des Hirnscans einer Person zu erzeugen und dann zu messen, wie sie sich vom realen Bild unterscheidet. Dazu bauten die Forschenden auf Diffusionsmodellen auf, einer leistungsfähigen Klasse von Bildgeneratoren, die schrittweise Rauschen hinzufügen und lernen, diesen Prozess umzukehren. In dieser Arbeit wird das Modell darauf trainiert, einen MRT-Typ (ein T1-gewichtetes Bild, das die Anatomie hervorhebt) in einen anderen Typ (ein FLAIR-Bild, das besonders empfindlich gegenüber bestimmten Läsionsmerkmalen ist) zu konvertieren. Während des Umkehrprozesses wird das Modell sanft dazu gedrängt, verdächtige Regionen so zu verändern, dass sie gesundem Gewebe ähneln, während normale Bereiche im Wesentlichen unverändert bleiben. Die Differenz zwischen dem originalen FLAIR-Scan und dem generierten, „gereinigten“ FLAIR-Scan wird zur Anomalie-Karte, die wahrscheinliche Läsionsorte hervorhebt.

Zwei Scanarten und grobe Ortsangaben nutzen

Verschiedene MRT-Sequenzen zeigen die fokale kortikale Dysplasie auf unterschiedliche Weise. T1-Bilder machen Formänderungen der Hirnrinde besser sichtbar, während FLAIR dazu neigt, wasserreiche, abnorme Gewebeanteile mit hellerem Signal und verschwommenen Grenzen hervorzuheben. Die Autoren nutzen diese Komplementarität, indem sie das T1-Bild als Leitbild beim Generieren des FLAIR-Bildes zuführen, sodass das Modell Strukturinformationen aus der einen Modalität und Signaländerungen aus der anderen verwendet. Zusätzlich fügen sie eine zweite Leitquelle hinzu: einen Klassifikator, der grob erkennt, welche Hirnregion (etwa Frontallappen oder Temporallappen) die Auffälligkeit enthält oder ob der Scan normal ist. Diese regionale Information lenkt den Diffusionsprozess, so dass die „Heilung“ vor allem dort ansetzt, wo Läsionen am wahrscheinlichsten sind, und erhöht die Chance, kleine epileptische Herdherde aufzudecken, ohne das gesamte Gehirn stark zu verändern.

Farb- und Helligkeitsverschiebungen korrigieren und an echten Patienten testen

Generative Modelle können Bildhelligkeit oder Kontrast subtil verändern, was Ärztinnen und Ärzte verwirren oder echte Auffälligkeiten verdecken könnte. Um dem entgegenzuwirken, wenden die Forschenden Histogrammangleichung an, eine gängige Bildverarbeitungstechnik, die das generierte FLAIR-Bild zwingen soll, die gleiche Gesamthelligkeitsverteilung wie der Originalscan zu besitzen. Das erhält das vertraute Aussehen des Bildes, während lokal die vom Modell eingeführten läsionsbezogenen Unterschiede erhalten bleiben. Die Methode wurde an einem öffentlichen Datensatz des Universitätsklinikums Bonn getestet, der MRT-Scans von 85 Patientinnen und Patienten mit fokaler kortikaler Dysplasie Typ II sowie 85 gesunden Kontrollen enthält. Nach sorgfältiger Vorverarbeitung und dem Training übertraf der neue Ansatz vier konkurrierende Anomalie-Erkennungsverfahren und erzielte eine hohe Bildebenen-Recall (Erkennen von Läsionen in den meisten betroffenen Scans) sowie eine bessere Übereinstimmung mit Experten-Läsionskarten auf Pixel-Ebene.

Was das für Menschen mit Epilepsie bedeuten könnte

Die Studie zeigt, dass KI nicht nur zur Klassifikation von Hirnscans eingesetzt werden kann, sondern realistische „Was-wäre-wenn-gesund?“-Bilder erzeugt, die verborgene Läsionen hervorheben. Ohne arbeitsintensive, Voxel-für-Voxel-Labels zu benötigen, kombiniert die Methode multimodale MRT, grobe Ortsangaben und sorgfältige Intensitätskorrektur, um subtile epileptische Narben zuverlässiger zu detektieren als mehrere vorhandene Werkzeuge. Sie ist zwar nicht perfekt — die Unterschiede zwischen Scanarten können weiterhin Fehlalarme verursachen, und manche Läsionen bleiben dem normalen Gewebe zu ähnlich —, doch rückt der Ansatz das Feld näher an eine verlässliche, automatisierte Unterstützung für Radiologinnen und Radiologen. Langfristig könnten solche Techniken helfen, Operationsziele früher und konsistenter zu identifizieren und so die Ergebnisse für Menschen mit medikamentenresistenter Epilepsie zu verbessern.

Zitation: Li, Y., Pan, Y., Zhang, X. et al. Pseudo-healthy image synthesis via location-guided diffusion models for focal cortical dysplasia lesion localization. Sci Rep 16, 8101 (2026). https://doi.org/10.1038/s41598-026-38981-y

Schlüsselwörter: Epilepsie, Hirn-MRT, fokale kortikale Dysplasie, KI in der medizinischen Bildgebung, Anomalieerkennung