Gehirn-Encoder: Weizmann-Institut senkt Trainingszeit für Bildrekonstruktion um das 40-Fache

Die visuelle Rekonstruktion von Bildern direkt aus menschlichen Gehirnaktivitäten galt lange Zeit als methodisch extrem aufwendig. Bisherige Verfahren scheiterten in der Praxis oft an der Notwendigkeit, Probanden über Dutzende Stunden in Magnetresonanztomografen zu untersuchen, um die zugrundeliegenden Modelle anzulernen.

Ein am 1. Oktober 2026 vorgestelltes System des Weizmann-Instituts im israelischen Rehovot zeigt nun Möglichkeiten auf, diesen Vorbereitungsaufwand drastisch zu verringern.

Deutliche Reduzierung der individuellen Trainingszeit

Das Forschungsteam um Michal Irani entwickelte einen universellen Gehirn-Encoder, der den Kalibrierungsaufwand für die Bildrekonstruktion aus funktionellen Magnetresonanztomografien (fMRI) um etwa das 40-Fache senkt.

Frühere Ansätze benötigten im Schnitt rund 40 Stunden Scanzeit pro Person, um verlässliche Abbildungen zu ermöglichen. Das neue System kommt dagegen mit etwa 1 Stunde an neuen Scandaten pro Testperson aus.

Nach Einschätzung von Jessica Hamzelou im Magazin MIT Technology Review stellt diese Reduktion einen wesentlichen Effizienzgewinn für die funktionelle Bildgebung dar, wie die Plattform smartbrainsai.com in einem Bericht vom 13. Oktober 2026 darlegte.

Datenarchitektur und verfeinerte Voxelauflösung

Die Grundlage des Modells bildeten Startdaten von acht Personen, denen jeweils rund 9.000 Bilder gezeigt wurden. Ein wesentlicher methodischer Aspekt liegt in der Ausnutzung von Rohdaten: Rund 70 Prozent der verwendeten Trainingsbilder kamen ohne eine direkte fMRI-Paarung aus.

Wer Bildrekonstruktion aus fMRI-Daten betreibt, kennt das Problem: Dutzende Stunden Scanzeit pro Proband machen Studien unbezahlbar. Ein neuer Encoder-Ansatz zeigt, wie sich der Kalibrierungsaufwand auf rund 1 Stunde pro Person reduzieren lässt — bei circa 1 Kubikmillimeter Voxelgröße und rund 70 Prozent Trainingsbildern ohne fMRI-Paarung. Der kostenlose Praxisleitfaden führt Sie in 3 Schritten durch Datenarchitektur, Voxel-Auflösung und Fehlerbilder. Praxisleitfaden fMRI-Encoder jetzt anfordern

Zudem setzte das Weizmann-Institut auf eine höhere räumliche Auflösung. Während Standard-fMRI-Messungen üblicherweise eine Voxelgröße von circa 3 Kubikmillimetern nutzen, arbeiteten die Forscher mit einer Voxelgröße von circa 1 Kubikmillimeter.

Auf technischer Ebene kommt ein Diffusionsmodell zum Einsatz. Dieses erzeugt das finale Abbild schrittweise aus vorhergesagten Merkmalen zu Struktur und Bildinhalt. Für das Verfahren liegt zwar keine einzelne statistische Genauigkeitsprozentzahl vor, Projektleiterin Irani bezeichnete die Rekonstruktionsleistung im Vergleich zu vorherigen Ansätzen jedoch als signifikant besser.

Aktuelle Fehlerbilder und zukünftige Forschungsziele

Trotz der methodischen Fortschritte arbeitet das System nicht fehlerfrei. In dokumentierten Testfällen interpretierte das Modell visuelle Reize mitunter grob fehlerhaft: So wurde das Bild eines Kuchens als eine Ansammlung von Sandwiches rekonstruiert, während ein in einer Badewanne sitzender Hund als Ziege dargestellt wurde.

Grobe Rekonstruktionsfehler — ein Kuchen als Sandwichhaufen, ein Hund in der Badewanne als Ziege — untergraben jede Studienergebnis-Auswertung. Bevor Sie Ihr nächstes BCI-Pilotprojekt aufsetzen, brauchen Sie eine belastbare Checkliste zu Voxelauflösung, Rohdaten-Anteil und Modellgrenzen. Der kostenlose Leitfaden bündelt die dokumentierten Fehlerbilder und einen 5-Schritte-Plan, mit dem Sie Rekonstruktionsqualität vorab prüfen. Checkliste und 5-Schritte-Plan sichern

Für das Weizmann-Institut markiert die aktuelle Bildrekonstruktion lediglich einen Zwischenschritt. Als nächste Entwicklungsziele fasst das Team dynamischere und komplexere Reize ins Auge, darunter Audio, Video, frei erfundene visuelle Szenen sowie Träume und Gedanken. Für diese Anwendungsbereiche existieren nach Angaben der Forscher bislang noch keine funktionierenden Systeme.

de | wissenschaft | 70317226 |