tMRI Lab (Bickelhaupt)

Unser „transformative oncologic imaging“ (tMRI) Lab des Radiologischen Instituts (Direktor: Prof. Dr. med. Michael Uder) am Universitätsklinikum Erlangen forscht im Gebiet der transformativen onkologischen Bildgebung und Krebsprävention und verschränkt die Forschung mit innovativen Projekten im Bereich Digital Health.

Ein Fokus liegt hierbei auf der systematischen Verarbeitung komplexer MRT-Biosignaturen in Verschränkung mit Methoden der Künstlichen Intelligenz (KI) und der Integration additiver Datenquellen digitaler personalisierter Gesundheitsanwendungen in der Onkologie. Wir integrieren unsere Forschungsprojekte in den gesamten Diagnostikpfad von der Vorbereitung über die Planung und prädiktive Qualitätssicherung in der Bildakquise bis hin zur Datenanalyse im Kontext interdisziplinärer, transsektoraler Behandlungsprozesse und wirken entsprechend proaktiv an nationalen und internationalen Forschungsverbünden im Bereich Digital Health mit.

Unsere langfristige Vision ist die Verbesserung der onkologischen Versorgung durch Fortschritte in der translationalen diagnostischen Bildgebung und die synergistische Verschränkung mit komplementären Ressourcen in der Gesundheitsversorgung. Wir erforschen und entwickeln hierzu neue transformative Methoden, die das Potential aufweisen die onkologische Bildgebung verfügbarer, personalisierter und prädiktiver zu machen.

In derzeit drei Forschungsteams bündeln wir unsere Forschungsaktivitäten für die Sektionen „AI in Oncologic Imaging“, „Digital Health“, „Innovation Networks, Data Science & Research Support“.

Team “AI in Oncologic Imaging”:

Virtuelle Kontrastmittel für die MRT-Bildgebung

Forschung an Verfahren zur Reduktion von intravenösen Kontrastmitteln in der MR-gestützten Mammadiagnostik.

Viele MRT-Untersuchungen benötigen heutzutage die intravenöse Injektion von Gadolinium-haltigen Kontrastmitteln (sogenannte GBCA, engl. Gadolinium Based Contrast Agents). Die Verschränkung neuester MRT-Bildgebungstechniken, wie z.B. fortgeschrittener Diffusionssequenzen (DWI), mit Verfahren der künstlichen Intelligenz (KI) könnte in Zukunft dazu beitragen die Notwendigkeit des Einsatzes von GBCA in der MRT-Diagnostik zu reduzieren. Ziel unserer Forschung ist es daher Techniken zu virtuellen Erzeugung kontrastmittel-analoger Bildkontraste zu entwickeln und translational zu erforschen, mit einem Schwerpunkt des Einsatzes in der Brustkrebsdiagnostik und -früherkennung.

Ansprechpartner: Dr. Andrzej Liebert, Hannes Schreiter, Luise Brock, Shirin Heidarikakesh

Bildqualität in der onkologischen MRT-Diagnostik

Erforschung von integrativen KI-Ansätzen zur Nutzung verkürzter MRT-Protokolle in stratifizierten Früherkennungsansätzen unter Berücksichtigung von Konformitäts- und Qualitätskontrollen vor dem Einsatz von KI-Verfahren und der Wahrung der Entscheidungshoheit durch die Radiologinnen.

Fortgeschrittene Bildgebungstechniken wie die MRT bergen in der Anwendung technische Herausforderungen die dazu führen können, dass Bildartefakte die Beurteilung für Radiologen und Radiologinnen erschweren. Verfahren der künstlichen Intelligenz und des maschinellen Lernens könnten in Zukunft dazu beitragen durch smarte Technologien scannernah Bildartefakte zu erkennen oder sogar während des Untersuchungsganges vorherzusagen und hiermit Interventionsmöglichkeiten zu schaffen. Ziel unserer Forschung ist es solche Techniken für die Brustkrebsdiagnostik zu entwickeln.

Ansprechpartner: Dr. Lorenz Kapsner, Luise Brock, Dr. Andrzej Liebert

Neue bildgebende Verfahren zur Risikostratifizierung in der Brustkrebsfrüherkennung

Klassischerweise ist es das Ziel der Bildgebung in der Krebsfrüherkennung auffällige Veränderungen zu erkennen und der weiteren Versorgung zuführen zu können. Jenseits der Läsionsdetektion bekommt die personalisierte Risikostratifizierung eine wachsende Bedeutung. Moderne bildgebende Verfahren wie die MRT können hierbei durch multispektrale und multidimensionale Biosignaturanalysen in Zukunft möglicherweise einen wichtigen Beitrag liefern. Gemeinsam mit den Arbeitsgruppen der MR-Physik erforschen wir daher das Potential komplexer MR-Biosignaturanalysen in der hoch und ultrahochfeld-MRT.

Ansprechpartner: Astrid Müller, PD Dr. med. Sebastian Bickelhaupt, MBA

Diffusionsgewichtete MRT in der onkologischen Diagnostik

Entwicklung und Erforschung verkürzter MRT-Verfahren für die individuell adaptive Brust- und Prostatakrebsfrüherkennung. Linkes oberes Bild: diffusionsgewichtete MRT der weiblichen Brust mit suspekter Läsion, linkes unteres Bild: Vergleich zur klassischen kontrastmittelverstärkten MRT. Rechtes Bild oben, diffusionsgewichtete Prostata-MRT, rechtes Bild unten: kontrastmittelverstärkte MRT der Prostata.

Die sogenannte diffusionsgewichtete MRT (DWI) kartiert die zufälligen Wassermolekülbewegungen im Gewebe. Dies ermöglicht einen tiefgreifenden Einblick in die Gewebemikrostruktur, der als komplementäre Information in der MRT dazu beitragen kann die diagnostische Beurteilung weitergehend zu unterstützen. Neue DWI-Techniken werden in translationalen Studien z.B. in der Mamma- und Prostata-MRT evaluiert.

Ansprechpartner: Dominika Skwierawska, Dr. Dominique Hadler

_______________________________________________________________________________________

Team “Digital Health”:

Patientenvorbereitung auf MRT-Untersuchungen mittels VR

: Entwicklung und Erforschung supportiver Systeme für die Patientenvorbereitung auf diagnostische Untersuchungen. — Entwicklung und Erforschung supportiver Systeme für die Patientenvorbereitung auf diagnostische Untersuchungen.

Diagnostische Untersuchungen wie die MRT-Bildgebung können für Patientinnen und Patienten belastende Erlebnisse sein. Dies liegt u.a. an der unklaren medizinischen Situation, die eine Diagnostik erforderlich macht, ebenso an der bisweilen unbekannten Art der Untersuchung. Digitale Lösungen wie z.B. Anwendungen die Virtuelle Realität (VR) implementieren könnten in der Vorbereitung von Patientinnen und Patienten wichtige Hilfsmittel werden. Gemeinsam mit Partnern im In- und Ausland erforschen wir die Entwicklung von entsprechenden Verfahren.

Ansprechpartner: Sarah Seidnitzer

TEAM-X Inkubator – Innovationen gezielt fördern

Forschungsaktivitäten und Infrastruktursupport für die bilddatengetriebene Forschung — Forschungsaktivitäten und Infrastruktursupport für die datengetriebene Forschung

Digitale Anwendungen von der Konzeptidee hin zu ersten Prototypen zu entwickeln ist für Personen aus Forschung und Klinik häufig eine große Herausforderung. Daher haben wir im Rahmen eines Förderprojektes des Bundesministeriums für Wirtschaft und Klimaschutz den TEAM-X Inkubator etabliert, der es Konzeptteams ermöglicht ihre Ideen für eine digitale Gesundheitslösung zu entwickeln, mit Fachexperten und Fachexpertinnen aus den Gesundheitsdomänen zu reflektieren und zu erproben. Die Arbeiten erfolgen eingebettet in das Gesamtkonsortium TEAM-X das im Kontext von GAIA-X neue Ansätze der Datensouveränität entwickelt und erforscht.

Ansprechpartner: Dr. Judith Lach, Sarah Seidnitzer, Hannes Schreiter, Dr. Tobit Führes.

Trusted Ecosystem for Medical Data Exchange – GAIA-X

In dem vom BMWK geförderten Projekt werden GAIA-X basierte Technologien in medizinischen Use-Cases evaluiert. Ziel ist es auf GAIA-X basierende Technologien zu entwickeln, die eine sicheren und souveränen Datenaustausch im Gesundheitswesen ermöglichen können, hierbei koordiniert das Team die Aktivitäten das Universitätsklinikums Erlangen im TEAM-X Gesamtkonsortium.

Ansprechpartner: Dr. Judith Lach, Sarah Seidnitzer, Hannes Schreiter, Dr. Tobit Führes.

_______________________________________________________________________________________

Team „Innovation Networks, Data Science & Research Support“:

Interdisziplinärer Co-Working Space

Transformative Forschung lebt von interdisziplinärer Zusammenarbeit. Aus diesem Grund etablierten und betreiben wir Arbeitsplätze in unserem Lab, die speziell darauf ausgerichtet sind Raum für interdisziplinäre Zusammenarbeit und Austausch zu erzeugen.

Ansprechpartner: Hannes Schreiter,Dr. Andrzej Liebert

Datenhaltung und -strukturierung

Viele Forschungsprojekte, insbesondere in den Bereichen der künstlichen Intelligenz und des maschinellen Lernens, profitieren von aggregierten und strukturierten Daten. Gemeinsam mit dem Medizinischen Zentrum für Informations- und Kommunikationstechnik des Universitätsklinikums arbeiten wir daran die Wissenschaftlerinnen und Wissenschaftler im und um das eigene Lab herum durch spezifische IT-Infrastruktur zu unterstützen und qualitativ besonders hochwertige kuratierte Daten für die Forschungsprojekte zielgerichtet analysieren zu können.

Ansprechpartner: Dr. Lorenz Kapsner, Hannes Schreiter, Dr. Andrzej Liebert, Aju George, Dr. Dominique Hadler, Jessica Eberle, Chris Ehring

d.hip digital health innovation Plattform

Im gemeinsamen Innovationsverbund aus Universitätsmedizin, Universität, Industrie und Medical Valley EMN werden in der digital health innovation Plattform (d.hip) neue wegweisende und innovative Projekte im Bereich digitaler Gesundheitsversorgung konzipiert und in wissenschaftlichen Projekten translational erforscht. Ein Schwerpunkt ist die Erforschung „digitaler Zwillinge“ zur Stärkung der personalisierten Gesundheitsversorgung.

Ansprechpartner: PD Dr. med. Sebastian Bickelhaupt, MBA

Wir sind integrativer Teil der onkologischen Forschungsgruppen des Radiologischen Instituts (Big Data und Gynäkologische Bildgebung), der Radiologie am CCC Erlangen-EMN, kooperieren aktiv mit klinischen und technischen Fachdisziplinen im Universitätsklinikum und der Universität sowie national und internationel mit Forschungsinstitutionen wie z.B. dem Deutschen Krebsforschungszentrum Heidelberg und wirken aktiv mit an internationalen Netzwerken und Kooperationsvorhaben wie der RLS Sciences Digital Health Initiative der Wissenschaftlichen Koordinierungsstelle der Bayerischen Forschungsallianz.

Wir bedanken uns für die Förderung unserer Forschung u.a. bei der Deutschen Forschungsgemeinschaft (DFG), dem Bundesministerium für Bildung und Forschung (BMBF), dem Bundesministerium für Wirtschaft und Klimaschutz (BMWK), dem Bayerischen Staatministerium für Wissenschaft, der Bayerischen Forschungsallianz, dem Bayerischen Institut für digitale Transformation (bidt), der Else Kröner Fresenius Stiftung (EKFS), der Dr. Oskar Dünisch Stiftung.