Optimierung von Magnet-Resonanz-Tomographie Messsequenzen durch Bayessches Maschinelles Lernen

点击翻译按钮获取中文摘要

Magnet-Resonanz-Tomographie (MRT) Bilder werden rekonstruiert aus spektralen Messungen, angesteuert durch eine Sequenz von Magnetfeldpulsen im Radiofrequenzbereich. Da Ortsauflösung im wesentlichen durch Modulation des Signals erreicht wird (Frequenz- und Phasenkodierung durch Magnetfeldgradienten), steigt mit gewünschter Auflösung die Messzeit, somit auch Patientenbelastung, Wahrscheinlichkeit von Bewegungsartefakten und finanzielle Kosten. Für Anwendungen wie kardiale Bildgebung, Angiographie (Blutgefäße) oder funktionale MRT im Hochfeld ist Aufnahmebeschleunigung von entscheidender Bedeutung. Neben Verbesserungen von Sequenz-, Gradienten- und Spulentechnik werden vermehrt softwareseitige Verfahren zur Bildrekonstruktion aus unterabgetasteten Messungen entwickelt: nichtlineare, iterative Compressive Sensing Methoden, bei denen Messungen mit Priorverteilungen über Bildstatistiken in effizienten Algorithmen kombiniert werden. Ziel unseres Projektes ist es, Verfahren zu entwickeln und Anforderungen gemäß zu implementieren, um die Messanordnung (Design) einer Sequenz automatisch zu optimieren, zugeschnitten auf Compressive Sensing Rekonstruktion. Der Ansatz ist adaptiv und der Methodik des Bayesschen Experimental Design zuzuordnen, wobei Bayessche Inferenz über hochaufgelösten Bildern und Bildsequenzen mit neuen Approximationsalgorithmen auf Unterprobleme der numerischen Mathematik, der Bild- und Signalverarbeitung, und der graphischen Modellierung reduziert wird. Neben algorithmischen Verbesserungen und theoretischer Analyse wird vor allem die Parallelisierung des Verfahrens auf verschiedenen Ebenen angestrebt.