MIT-Modell E(3)-Pose verfolgt Kopfbewegungen von Föten und macht pränatale Hirn-MRT schärfer
Forschende des MIT, des Boston Children's Hospital und von Inria haben ein Deep-Learning-Modell namens E(3)-Pose entwickelt, das den Kopf eines Fötus während der MRT verfolgt. Ziel sind vollständige, hochaufgelöste Bilder des Gehirns, selbst wenn sich das Kind bewegt. Das Modell verankert die Links-rechts-Symmetrie direkt in seiner Architektur.
- E(3)-Pose ist ein Deep-Learning-Modell von MIT, Boston Children's Hospital und Inria, das fetale Kopfbewegungen während der MRT verfolgt.
- Die Links-rechts-Symmetrie des fetalen Kopfes ist in die Modellarchitektur eingebettet, um die Ausrichtung des Gehirns zu erkennen.
- Die Arbeit wurde auf der European Conference on Computer Vision 2026 vorgestellt.
- Das Modell ist hauptsächlich mit Föten im dritten Trimester trainiert; das Team will es auf das zweite Trimester ausweiten.
- Laut den Forschenden könnte es auch bei anderen schwer darstellbaren Körperregionen und beim autonomen Fahren helfen.
Warum Bewegungen des Fötus Aufnahmen ruinieren
Eine routinemäßige pränatale Ultraschalluntersuchung kann dazu führen, dass Ärztinnen und Ärzte mögliche Auffälligkeiten im Gehirn feststellen und zur Abklärung eine Magnetresonanztomografie (MRT) empfehlen. Laut der Quelle können unzureichende Bilder jedoch zu übersehenen oder falschen Diagnosen führen.
Eine fetale MRT besteht aus einer Reihe von 2D-Bildern, sogenannten Schichten, die zusammengesetzt ein hochaufgelöstes 3D-Bild des Kopfes des Fötus ergeben. Bewegt sich der Kopf während der Aufnahme, kann jede Schicht aus einem anderen Winkel entstehen. Die Folge können Lücken im fertigen Scan und ungewöhnlich ausgerichtete Schichten sein. „Wenn sich das Baby bewegt, liegen die Schichten völlig durcheinander“, sagt Erstautorin Ramya Muthukrishnan, Doktorandin am MIT im Labor von Polina Golland.
Diese Lücken haben klinische Folgen. „Bei Abdeckungslücken können Sie kritische Bereiche nicht sehen, aber Sie müssen gut sehen können, um Entwicklungsstörungen zu erkennen“, erklärt Muthukrishnan.
Physik direkt im neuronalen Netz
E(3)-Pose hilft dabei, den fetalen Kopf auch in Bewegung abzubilden, sodass Radiologinnen und Radiologen ein hochaufgelöstes Ergebnis beurteilen können. Die Forschenden zufolge liegt der Unterschied im Fokus auf der Physik. Statt das Modell die Physik allein aus Daten lernen zu lassen, werden die Prinzipien fest in das neuronale Netz eingebaut. Die Links-rechts-Symmetrie des fetalen Kopfes ist in die Modellarchitektur eingebettet, was es dem Modell erleichtert, die Ausrichtung des Gehirns genau zu bestimmen.
Die Arbeit wurde unter dem Titel „Equivariant symmetry-aware head pose estimation for fetal MRI“ auf der European Conference on Computer Vision 2026 vorgestellt.
Muthukrishnan kam mit einem Informatikhintergrund und ohne Kenntnisse der MRT-Physik zum Projekt. Der Betrieb des Systems an einem echten Scanner erwies sich als schwierig. „Ich war nicht darauf vorbereitet, wie oft ich den Scanner zum Absturz bringen würde, denn Dinge auf Hardware zum Laufen zu bringen ist etwas ganz anderes, als ein Modell auf einer GPU mit Daten zu trainieren“, erinnert sie sich.
Ihre Motivation habe sie gewonnen, als sie am Boston Children's Hospital einen Radiologen begleitete. Dort sah sie eine schwangere Frau, der nach einer Stunde im MRT unwohl wurde und die die Untersuchung auf halber Strecke abbrach, sodass der Radiologe kein vollständiges, hochwertiges Bild erhalten konnte.
Das Team und das klinische Ziel
Co-Autor Borjan Gagoski, Assistenzprofessor für Radiologie an der Harvard Medical School und Forscher am Boston Children's Hospital, entwickelte eine Sequenz, die zusätzliche MRT-Aufnahmen für das Training des Modells erfasst. Er half auch bei der Fehlersuche, wenn der Scanner abstürzte. Co-Autorin Aryn Lee rekrutierte die schwangeren Freiwilligen und unterstützte bei den Scans. Zu den Seniorautoren zählen Elfar Adalsteinsson, Ellen Grant und Golland. Benjamin Billot von Inria, ein ehemaliger Postdoc in Gollands Gruppe, half Muthukrishnan mit einer von ihm entwickelten ersten Methode beim Einstieg.
Golland sagt, die Arbeit verbinde „auf elegante Weise geometrische Konzepte wie Äquivarianz und Symmetrie mit der Leistungsfähigkeit von Deep Learning, um zu verändern, wie MRT-Scanner Bilder aufnehmen“. Grant, der das Fetal Neonatal Neuroimaging and Developmental Science Center am Boston Children's leitet, sagt, sie „wird die fetale Hirn-MRT automatisieren und den heute langsamen, manuellen Prozess durch schnellere und für die Mütter angenehmere Untersuchungen ersetzen, und zugleich Radiologinnen und Radiologen hochwertigere Bilder zur Auswertung liefern“.
Grenzen und nächste Schritte
Das Modell ist vor allem mit Föten im dritten Trimester trainiert. Muthukrishnan hofft, es auf das zweite Trimester oder noch jüngere Föten auszuweiten, die „so klein sind, dass sie sich viel mehr bewegen, weil in der Gebärmutter mehr Platz ist“. Sie hält diese für wichtiger: „Je früher man Auffälligkeiten im Gehirn erkennt, desto leichter lässt sich eingreifen.“
Die Forschenden sehen E(3)-Pose auch als Hilfe bei der Bildgebung anderer schwer darstellbarer Körperregionen und sogar beim autonomen Fahren, wo Sensoren mit begrenzten Möglichkeiten verrauschte 3D-Daten erfassen müssen, um 3D-Objekte zu verfolgen.
Für Familien und Klinikpersonal lautet das erklärte Ziel: weniger abgebrochene Untersuchungen und klarere Bilder für eine frühere Diagnose. Quantitative Ergebnisse oder einen Zeitplan für den klinischen Einsatz nennt die Quelle nicht. Die Arbeit wird vom MIT Jameel Clinic, dem MIT Takeda Program, dem Chou Family Transformative Research Fund, dem National Institute of Biomedical Imaging and Bioengineering sowie dem Eunice Kennedy Shriver National Institute of Child Health and Human Development gefördert.
