Hin zur vollautomatischen synthetischen ECV‑Quantifizierung: ein frei zugänglicher, maschinell lernender Ansatz für schnelle, blutentnahmfreie KMR

Warum das für die Herzgesundheit wichtig ist

Ärztinnen und Ärzte verlassen sich zunehmend auf Herz‑MRTs, um frühe Vernarbungen im Herzmuskel zu erkennen — eine subtile Veränderung, die mit vielen schweren Herzerkrankungen verbunden ist. Bislang erfordert die Ermittlung dieser Informationen meist sowohl eine zeitaufwändige Bildauswertung als auch eine Blutuntersuchung. Diese Studie zeigt, dass ein Computer spezielle Herz‑MRTs automatisch auswerten und dieselben Informationen ohne Blutentnahme schätzen kann, was den Weg zu schnelleren, bequemeren und potenziell breiter zugänglichen fortgeschrittenen Herzdiagnostiken ebnet.

Verborgene Narben im Herzen sichtbar machen

Viele chronische Herzerkrankungen führen zu Fibrose — kleinen, narbenähnlichen Gewebsarealen, die den Herzmuskel versteifen und langfristig die Prognose verschlechtern. Moderne kardiale MRT kann das sogenannte extrazelluläre Volumen (ECV) messen, das widerspiegelt, welcher Anteil des Herzmuskels von Flüssigkeit und faserigem Gewebe statt von gesunden Zellen eingenommen wird. ECV hat sich als starker Bildmarker für diffuse Fibrose etabliert, ist in der Praxis aber umständlich zu bestimmen. Meist erfordert es das manuelle Nachzeichnen von Regionen in mehreren MRT‑Bildern, sorgfältige Korrektur von Bewegungen und einen aktuellen Bluttest zur Bestimmung des Hämatokrits, dem Anteil der roten Blutkörperchen im Blut.

Das Problem von Bluttests und manueller Arbeit

Im klinischen Alltag sind diese traditionellen Abläufe ein Engpass. Nicht alle Zentren können zur MRT‑Zeit eine Blutprobe entnehmen, und der Hämatokrit selbst kann durch einfache Faktoren wie Körperlage schwanken. Auch die Bildauswertung hängt von geschulten Expertinnen und Experten, spezieller Software und mehreren manuellen Schritten ab, in denen Herzstrukturen Schicht für Schicht umrissen werden. Diese Schritte benötigen Zeit und können zwischen Lesenden oder Zentren variieren, was den Vergleich von Ergebnissen zwischen Krankenhäusern oder in großen Studien erschwert.

Dem Computer beibringen, Herz‑Karten zu lesen

Aufbauend auf früheren Arbeiten, die zeigten, dass sich Hämatokrit direkt aus dem MRT‑Signal im Blutpool des Herzens abschätzen lässt, setzten die Autorinnen und Autoren an, den Rest des Prozesses zu automatisieren. Sie verwendeten MRT‑Daten von über 1000 Patientinnen und Patienten, die bei zwei unterschiedlichen Magnetfeldstärken untersucht wurden. In der Trainingsphase zeichneten Experten sorgfältig die Grenzen von Herzmuskel und Herzkammern auf speziellen T1‑„Karten“ vor und nach Kontrastmittelgabe nach. Diese Beispiele dienten zum Trainieren eines Deep‑Learning‑Modells (eines U‑Net‑artigen neuronalen Netzwerks), das dieselben Strukturen automatisch erkennt. Der Algorithmus wandte zudem Bildverarbeitungs‑Schritte an, um Blut vom umgebenden Gewebe zu trennen und die Ränder leicht zu verkleinern, um Unschärfen durch Bewegung zu vermeiden.

Von Rohscans zur synthetischen ECV in einem Schritt

Nach dem Training wurde das Modell an einer separaten Patientengruppe getestet. Für jede Person maß es automatisch typische T1‑Werte im Herzmuskel und Blut, setzte diese Werte in veröffentlichte Formeln ein, die Hämatokrit allein aus MRT ableiten, und berechnete anschließend ein „synthetisches“ ECV — völlig ohne Blutentnahme oder manuelles Konturieren. Die Forschenden verglichen dieses vollautomatisch ermittelte synthetische ECV mit dem konventionellen ECV, das mithilfe von Expertenkonturen und labormäßig gemessenem Hämatokrit berechnet worden war. Insgesamt stimmten die beiden Methoden eng überein: Die Mittelwerte waren nahezu identisch und die Korrelation zwischen ihnen stark. Die Übereinstimmung war besonders gut im klinisch wichtigen Bereich bis etwa 35 % ECV, in dem sich die meisten Patientinnen und Patienten befinden.

Was gut funktioniert hat und wo es hakt

Die automatischen Konturen wurden von unabhängigen Herzbildgebungsspezialistinnen und -spezialisten generell als akzeptabel bis ausgezeichnet bewertet, und das Modell verarbeitete Bilder beider Magnetfeldstärken zuverlässig. Unterschiede zwischen automatischen und konventionellen Messungen nahmen jedoch bei sehr hohen ECV‑Werten zu, einem Bereich, der oft schwere Erkrankungen widerspiegelt. Die Autorinnen und Autoren vermuten, dass dies zum Teil daran liegt, dass solche Extremfälle in den Daten selten waren, und zum Teil daran, dass Bildqualität und komplizierte Anatomie den Algorithmus irritieren können. Außerdem weisen sie darauf hin, dass die traditionelle Referenz eine kleine Region im Septum verwendet, während die automatisierte Methode die gesamte Schicht mittelt, was naturgemäß einige Unterschiede einführt.

Was das für die Zukunft bedeutet

Derzeit ist dieser Ansatz eher als Forschungswerkzeug denn als fertiger klinischer Ersatz zu sehen. Dennoch zeigt er, dass ein Computer aus standardmäßigen prä‑ und postkontrastiven Herz‑MRT‑Karten ohne Bluttest und mit minimalem menschlichen Eingriff ECV‑Werte erzeugen kann, die in den meisten Fällen eng an die heute arbeitsintensiven Messungen anknüpfen. Da der Code und das trainierte Modell offen verfügbar sind, können andere Zentren die Methode testen, verfeinern und an ihre Scanner anpassen. Wenn dies weiter validiert wird — insbesondere bei Patientinnen und Patienten mit sehr hohem ECV — könnte eine vollautomatische, blutfreie ECV‑Bestimmung die Beurteilung von Fibrose schneller, konsistenter und breiter verfügbar machen.

Zitation: Beyer, R.E., Hüllebrand, M., Doeblin, P. et al. Towards fully automated synthetic ECV quantification: an open-access machine learning-based approach for fast blood draw-free CMR. Sci Rep 16, 8552 (2026). https://doi.org/10.1038/s41598-026-43624-3

Schlüsselwörter: Herz‑MRT, myokardiale Fibrose, extrazelluläres Volumen, Deep Learning, Automatisierung medizinischer Bildgebung