End-to-End Susceptibilitätsbildgebung

Erhöhte Eisenablagerungen in der grauen Substanz des Gehirns sind ein häufiger Befund bei neurologischen Erkrankungen wie Alzheimer, Parkinson oder Multipler Sklerose. Aufgrund seiner paramagnetischen Eigenschaften verändert Eisen die magnetische Suszeptibilität des Hirngewebes. Validierungsstudien haben gezeigt, dass Eisen im Gehirn mit Suszeptibilitätsbildgebung (Quantitative Susceptibility Mapping, QSM), einer neuartigen Magnetresonanztomographie-Technik, präzise und vor allem in lebenden Personen gemessen werden kann und damit auch longitudinale Untersuchungen von Erkrankungen ermöglicht. In dieser Arbeit wird maschinelles Lernen eingesetzt, um das zu Grunde liegende mathematische Problem der Berechnung von QSM aus einer Reihe von Bildern eines MRT-Scanners zu lösen. Im Gegensatz zu herkömmlichen Methodiken werden beim maschinellen Lernen künstliche neuronale Netze verwendet, welche auf spezieller Hardware trainiert werden. QSM ist ein mehrstufiger Ansatz, bei dem jeder Schritt die MRT-Bilder des Scanners in einer bestimmten Weise modifiziert, wobei numerische Fehler in jedem Schritt vergrößert werden. In diesem Projekt werden unter anderem diese Einzelschritte in einem einzigen künstlichen neuronalen Netz zusammengefasst, damit die MRT-Bilderdirekt vomScannerverwendet werden können.Dadurchwirdder Gesamtberechnungsfehler minimiert und des Weiteren sind keine Parameter für den Algorithmus notwendig, was eine Vergleichbarkeit sowie die Implementierung auf einem klinischen MRI-Scanner ermöglicht.