Menze, Björn H. (Prof. Dr.); Günther, Matthias (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik; MED Medizin; PHY Physik
Keywords:
MRI, perfusion imaging, compressed sensing, deep learning, neural networks
TUM classification:
PHY 820; MED 370
Abstract:
Perfusion magnetic resonance imaging (MRI), as being one of the most crucial and promising dynamic MRI modality, enables the quantification of perfusion related parameters via exogenous or endogenous contrast agents. This thesis essentially focuses on developing novel image and parameter reconstruction methods to accelerate perfusion MRI. We aim at reconstructing high quality images and perfusion parameter maps given the undersampled and/or corrupted perfusion image-time series.
Translated abstract:
Die Perfusions-Magnetresonanztomographie (MRT), als eine der wichtigsten und vielversprechendsten dynamischen MRT-Modalitäten, ermöglicht die Quantifizierung von perfusionsbezogenen Parametern über exogene oder endogene Kontrastmittel. Diese Arbeit konzentriert sich im Wesentlichen auf die Entwicklung neuartiger Bild- und Parameterrekonstruktionsmethoden zur Beschleunigung der Perfusions-MRT. Wir zielen darauf ab, qualitativ hochwertige Bilder und Perfusionsparameterkarten aus unterabgetasteten und/oder korrumpierten Perfusionsbild-Zeitreihen zu rekonstruieren.
«
Die Perfusions-Magnetresonanztomographie (MRT), als eine der wichtigsten und vielversprechendsten dynamischen MRT-Modalitäten, ermöglicht die Quantifizierung von perfusionsbezogenen Parametern über exogene oder endogene Kontrastmittel. Diese Arbeit konzentriert sich im Wesentlichen auf die Entwicklung neuartiger Bild- und Parameterrekonstruktionsmethoden zur Beschleunigung der Perfusions-MRT. Wir zielen darauf ab, qualitativ hochwertige Bilder und Perfusionsparameterkarten aus unterabgetasteten...
»