Ziele dieses Projektes sind es, eine Deep learning (DL)-basierte automatisierte Segmentierung des epikardialen und parakardialen Fettgewebes (EAT/PAT) in kardialen MRT-Daten der bevölkerungsbasierten „Hamburg City Health Study“ zu entwickeln, und die Vorhersagekraft von EAT und PAT-Volumen sowie der Fettcharakteristika (gemessen anhand der T1 Relaxationszeiten) für Narben des Herzens und unerwünschte Ereignisse wie Herzinfarkte zu evaluieren und zu vergleichen. EAT, das Fettgewebe zwischen Herzmuskel und Herzbeutel, und PAT, das mediastinale Fettgewebe außerhalb des Herzbeutels, gelten als Risikofaktoren für Herz-Kreislauf-Erkrankungen. Während Quantifizierungsoptionen für die CT existieren, gibt es diese bisher nicht für den Goldstandard der kardialen Funktionsdiagnostik: die MRT. Die automatisierte Quantifizierung von EAT und PAT ist jedoch essenziell für eine individualisierte Risikoeinordnung hinsichtlich eines Herzinfarkts und notwendig, um frühzeitig präventive Maßnahmen einzuleiten.