University of Applied Sciences St. Pölten Improving the diagnostic quality of fetal MRI: Evaluation of an AI-based post-processing approach for ultrafast image enhancement Background: Fetal Magnetic Resonance Imaging (MRI) is crucial tool in prenatal diagnostics, yet it is often challenged by long acquisition times and motion artifacts, which can compromise image quality. Artificial intelligence (AI)-based post- processing techniques, particularly super-resolution, offer a promising solution to enhance image quality without extending scan duration. This thesis evaluates the clinical and technical efficacy of an AI-based super-resolution algorithm for T2- weighted fetal MRI. Methods: This retrospective, single-center study analyzed 30 fetal MRI datasets acquired on a 3T Philips scanner. Three T2-weighted turbo spin-echo (TSE) sequences were compared for each case: a conventional accelerated sequence (T2 TSE cs), the same sequence enhanced by the AI algorithm (T2 AI SR), and a standard high-resolution sequence (T2 HR cs). Image quality was assessed using both quantitative metrics (Signal-to-Noise Ratio [SNR], Contrast-to-Noise ratio [CNR], Edge-Rise Distance [ERD]) and a qualitative evaluation performed by two expert pediatric neuroradiologists using a blinded, randomized setup with a 4-point Likert scale. Results: The AI-enhanced sequence (T2 AI SR) was qualitatively rated as significantly superior to both the conventional and high-resolution sequences in perceived image sharpness, tissue contrast, overall image quality, and diagnostic confidence (all < 0.001). This superior diagnostic quality was achieved in 38% less scan time compared to the high-resolution reference. Quantitative metrics, however, did not consistently align with this subjective preference, revealing no significant improvements in SNR and CNR and showing a paradoxical increase in ERD for the AI sequence. This suggests that traditional metrics may not adequately capture the perceptual benefits of AI-driven reconstruction. Conclusion: AI-based super-resolution post-processing can substantially improve the perceived diagnostic quality and clinical usability of ultrafast fetal MRI sequences while significantly reducing the need for high-resolution images with substantially longer acquisition times. The findings strongly support the integration of this technology to enhance diagnostic confidence and workflow efficiency in the time-sensitive and motion-prone environment of fetal imaging. However, the study also highlights the critical importance of expert perceptual evaluation, as traditional quantitative metrics may not fully reflect the diagnostic utility of AI-generated images. Hintergrund: Die fetale Magnetresonanztomografie (MRT) ist ein entscheidendes Instrument in der pränatalen Diagnostik, wird jedoch oft durch lange Aufnahmezeiten und Bewegungsartefakte beeinträchtigt. Künstliche Intelligenz (KI)-basierte Nachverarbeitungsverfahren, insbesondere Super-Resolution Algorithmen, bieten eine vielversprechende Möglichkeit, die Bildqualität zu verbessern, ohne die Scanzeit zu verlängern. Diese Masterarbeit evaluiert die klinische und technische Wirksamkeit eines solchen KI-basierten Super-resolution Algorithmus für T2-gewichtete fetale MRT-Sequenzen. Methodik: in dieser retrospektiven Single-Center Studie wurden 30 fetale MRT- Datensätze analysiert, welche an einem 3T Philips Scanner akquiriert wurden. Pro Fall wurden drei T2-gewichtete Turbo-Spin-Echo (TSE) Sequenzen verglichen: eine konventionell beschleunigte Sequenz (T2 TSE cs), dieselbe Sequenz nach Anwendung des KI-Algorithmus (T2 AI SR) und eine Standard-hochauflösende Sequenz (T2 HR cs). Die Bildqualität wurde sowohl anhand quantitativer Metriken (Signal-Rausch-Verhältnis [SNR], Kontrast-Rausch-Verhältnis [CNR], Edge-Rise Distance [ERD]) als auch durch eine qualitative Bewertung durch zwei erfahrene pädiatrische Neuroradiolog*Innen beurteilt. Die qualitative Analyse erfolgte verblindet, randomisiert und mittels einer 4-Punkte-Likert Skala. Ergebnisse: Die KI-verbesserte Sequenz (T2 AI SR) wurde qualitativ als signifikant überlegen gegenüber der konventionellen und der hochauflösenden Sequenz in den Kategorien Bildschärfe, Gewebekontrast, Gesamtbildqualität und diagnostische Sicherheit bewertet (alle < 0.001). Diese überlegende diagnostische Qualität wurde in 38% kürzerer Scanzeit im Vergleich zur hochauflösenden Referenzsequenz erreicht. Die quantitativen Metriken spiegelten diese subjektive Präferenz jedoch nicht konsistent wider: Es zeigten sich keine signifikanten Verbesserungen bei SNR und CNR sowie ein paradoxer Anstieg der ERD-Wertes für die KI-Sequenz. Dies deutet darauf hin, dass traditionelle Metriken die perzeptuellen Vorteile der KI-rekonstruktion nur unzureichend erfassen. Schlussfolgerung: Die KI-basierte Super-Resolution-Nachverarbeitung kann die wahrgenommene diagnostische Qualität und klinische Nützlichkeit von ultraschnellen fetalen MRT-Sequenzen erheblich verbessern und gleichzeitig den Bedarf an hochauflösenden Bildern mit wesentlich längeren Aufnahmezeiten deutlich reduzieren. Die Ergebnisse unterstützen nachdrücklich die Integration dieser Technologie zur Steigerung der diagnostischen Sicherheit und der Workflow-Effizienz in der zeitkritischen und bewegungsanfälligen fetalen Bildgebung. Die Studie unterstreicht jedoch auch die entscheidende Bedeutung der perzeptuellen Expertenbewertung, da traditionelle quantitative Metriken den diagnostischen Nutzen von KI-generierten Bildern möglicherweise nicht vollständig abbilden. Fachhochschule St. Pölten, Masterarbeit 2025, Studiengang Digital Healthcare en TEXT other sonstige sonstige text other AI-based super-resolution Fetal magnetic resonance imaging (MRI) Image quality & diagnostic confidence Quantitative vs. perceptual evaluation KI-basierte Super-Resolution Fetale Magnetresonanztomografie (MRT) Bildqualität & diagnostische Sicherheit Quantitative vs. perzeptuelle Bewertung Rebecca Mittermaier Andreas Jakl