Hochwertige 3D-Daten für medizinische Bildgebung bilden die Grundlage moderner KI in der Radiologie, doch aufgrund von Datenschutzbestimmungen, hohen Kosten für Annotationen und begrenzten Stichprobengrößen steht das Training von Modellen im Bereich Medical AI seit langem vor einem „Datenbottleneck". Um dieses Problem zu lösen, hat NVIDIA kürzlich den Open-Source-Framework NV-Generate-CTMR vorgestellt, der die Synthese hochauflösender 3D-CT- und MRT-Daten unterstützt und Forschern hilft, effizientere Systeme für KI-gestützte medizinische Bildgebung aufzubauen. Der Framework wurde basierend auf der zuvor von NVIDIA veröffentlichten Architektur MAISi (Medical AI for Synthetic Imaging) entwickelt. Die neueste Version, MAISi-v2, nutzt die Technik des Latent Rectified Flows und erreicht gegenüber herkömmlichen Diffusionsmodellen eine etwa 33-mal schnellere Inferenz bei gleichzeitiger Steigerung der Generierungsqualität. Der Framework ermöglicht die Erstellung vollständiger 3D-medizinischer Volumendaten sowie die Ausgabe entsprechender Segmentierungsergebnisse anatomischer Strukturen und eignet sich für Aufgaben wie Datenaugmentierung, multimodale Generierung und Tumorsegmentierung. Parallel dazu kündigte NVIDIA auch das Gehirn-MRT-Synthesemodel NV-Generate-MR-Brain an. Dieses Modell wurde mit dem weltweit größten offenen Multimodal-MRT-Datensatz MR-RATE trainiert, welcher Daten von über 83.000 Patienten umfasst – rund 700.000 MRT-Volumina –, ergänzt durch anonymisierte radiologische Berichte und DICOM-Metadaten. Das Model unterstützt die Generierung verschiedener Hirn-MRT-Sequenzen einschließlich T1, T2, FLAIR und SWI und kann Vollbildaufnahmen des Gehirns mit einer maximalen Auflösung von 512 × 512 × 256 erzeugen. Im Vergleich zu traditionellen Methoden zur Generierung medizinischer Bilddaten zeichnet sich NV-Generate-CTMR insbesondere dadurch aus, dass es variable Voxelgrößen, unterschiedliche Volumengrößen sowie Ganzkörpergenerierungen unterstützt. Damit lässt es sich an verschiedene klinische Scanprotokolle anpassen, ohne dass Modelle für einzelne Organe neu trainiert werden müssen. NVIDIA positioniert diesen Ansatz als „Foundation Model" für medizinische Bildgebung. Das Projekt ist mittlerweile vollständig open-source verfügbar und beinhaltet vortrainierte Gewichte, Trainingskonfigurationen sowie Inferenzcode, sodass Forscher diese direkt lokal auf GPUs nutzen oder feinabstimmen können. Laut Angaben von NVIDIA wird synthetisch generiertes medizinisches Bildmaterial zukünftig zunehmend wichtige Rollen beim datenschutzkonformen Teilen von Informationen, der Simulation seltener Pathologien sowie der Verbesserung der Generalisierungsfähigkeit von Medical-AI-Modellen spielen.