Bildverarbeitung

Aus den aufgenommenen MRT-Bildern berechnen und analysieren wir quantitative MRT-Karten, die biophysikalische Maße exakt abbilden sollen. Zu diesem Zweck wenden wir fortgeschrittene Bildverarbeitungsalgorithmen an, die Verzerrungen berücksichtigen, die räumliche Ausrichtung verbessern und verschiedene Scans zu sogenannten multiparametrischen Karten kombinieren. Neueste Methoden des maschinellen Lernens ("machine learning") unterstützen uns beim Beschreiten neuer Wege zur Korrektur von Artefakten, denen mit herkömmlichen Bildverarbeitungsmethoden schwer beizukommen ist.

Taeserbild

DeepcomplexMRI deep learning Bildrekonstruktion wurde angepasst, um multi-echo MRT Bilder zu verarbeiten. Erste Versuche mit verschiedenen K- Raum-Abtastungen zeigen eine vergleichbare Performance zu modernen iterativen Algorithmen wie ENLIVE, benötigen aber nur ca. 5 Minuten zur Rekonstruktion des gesamten 3D 1mm³/voxel aufgelösten Kopfbildes. mehr

Quantifizierung transversaler Relaxationsparameter kortikaler und subkortikaler Strukturen in vivo bei 7T

In vivo Quantifizierung transversaler Relaxationsparameter für verschiedene kortikale Strukturen des menschlichen Gehirns bei ultrahoher Feldstärke. mehr

Multi-Parameter Kartierung im Rahmen der multizentrischen klinischen Studie NISCI

Eingebunden in die klinische Studie NISCI (Nogo Inhibierung bei akuten Rückenmarksverletzungen: www.nisci-2020.eu) verwenden wir quantitative Ganzhirn-MRT-Aufnahmen bei 3 Tesla als Biomarker für De- und Regeneration. mehr

Artefakt-Reduzierung in quantitativen Multi-Parameterkarten

Ziel unserer Arbeit ist die Verbesserung der Zuverlässigkeit von Multi-Parameter-Karten des menschlichen Gehirns durch prospektive bzw. retrospektive Korrektur von Kopfbewegung und B0-Feld Fluktuationen oder Korrektur durch Deep Learning für Artefakte unbekannten Ursprungs. mehr

Zur Redakteursansicht