Wir untersuchen wie Maße der quantitativer Magnetresonanztomography (qMRI) in den verschiedenen Schichten der Hirnrinde mit der Anzahl von Nervenzellen, der Expression von Genen in der Hirnrinde und mit den Faserverbindungen in der weißen Substanz zusammenhängen. Unser Ziel ist neuartige Biomarker für den Verlauf neurodegenerativer Erkrankungen zu entwickeln.
In diesem Projekt charakterisieren wir kortikalen Schichten durch biomechanische Modellierung und simulieren die Entwicklung des menschlichen Kortexgewebes in vivo unter Verwendung hyperelastischer Materialmodelle.
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.
Die funktionelle Bildgebung des Zusammenspiels zwischen Basalganglien und kortikalen Bereichen erfordert ein bezüglich der untersuchten Region und der notwendigen Bildgebungs- beschleunigung sorgfältig angepasstes fMRT-Protokoll. Wir haben daher eine Studie bei einer Feldstärke von 7 Tesla durchgeführt, in der die Abhängigkeit des detektierten Signals von den verwendeten MR-Parametern untersucht wurde.
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.
Die säulenartigen Strukturen in der menschlichen Sehrinde werden mit hochauflösenden fMRT-Methoden mit dem Ziel untersucht, die Quelle neuronaler Aktivität genauer zu lokalisieren.
In diesem Projekt untersuchen wir das Gehirn wild lebender Schimpansen, die in verschiedenen Entwicklungsstadien an natürlichen Ursachen gestorben sind. Dazu wird hochaufgelöste quantitative MRT und Histologie benutzt.
Der auf dem Effekt des Magnetisierungs-Transfers beruhende "Arterial Blood Contrast" (ABC) konnte unter Verwendung einer Feldstärke von 7 Tesla mit einer isotropen räumlichen Auflösung von 1, 5 mm in Kombination mit einem konventionellen funktionellen MRT-Kontrast gemessen werden.
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.
Wir haben kt-Punkte-HF-Pulse implementiert und optimiert, um Verzerrungen und Shading-Artefakte in der ultrahochauflösenden Ganzhirn-MPM zu reduzieren.
In diesem Projekt untersuchen wir das Auflösungsvermögen von verschiedenen hochauflösenden Verfahren funktioneller Magnetresonanztomographie (fMRT), um Unterschiede innerhalb des zerebralen Kortex zu erkennen.
