Logo PTB

Quantitative MRT

Arbeitsgruppe 8.13

MR-Bildrekonstruktion

MR-Rohdaten werden im sogenannten k-Raum aufgenommen. Dieser k-Raum entspricht einer Darstellung von Objekten in der räumlichen Frequenzdomäne. Um daraus diagnostische Informationen im Bildbereich zu erzeugen, wird häufig eine direkte Rekonstruktion mit Hilfe der schnellen Fourier-Transform durchgeführt. Um die MRT-Aufnahme zu beschleunigen, wird der k-Raum oft nicht voll, sondern nur teilweise abgetastet. Dies kann zu sogenannten Unterabtastungsartefakten führen. In den letzten Jahren wurden viele neue Rekonstruktionsverfahren entwickelt (z.B. parallele Bildgebung, Compressed Sensing oder maschinelles Lernen), die die Bildqualität speziell von unterabgetasteten Aufnahmen entscheidend verbessern können. 

Compressed Sensing

Die Signaltheorie von Compressed Sensing beschreibt, wie Signale exakt rekonstruiert werden können, auch wenn bei der Datenaufnahme das Shannon-Nyquist-Theorem massiv verletzt wurde. Für MRT ist dies möglich, wenn die Bildmatrix oder eine Transformation dieser Matrix dünn besetzt („sparse") ist, wenn die Artefakte auf Grund der Unterabtastung inkohärent sind und wenn die Bildrekonstruktion nicht-linear ist (z.B. L1-Minimierung). 

Eine oft verwendete Transformation um anatomische MR-Bilder in dünn besetzte Matrizen zu überführen, ist die Wavelet-Transformation. Diese Transformation liefert ausgezeichnete Ergebnisse speziell für MR-Aufnahme des Gehirns, ist aber nicht notwendigerweise optimal für kardiale MRT. Neue Ansätze, wie z.B. Shearlet-Transformationen (Opens external link in new windowwww.shearlab.org), führen zu einer besseren Darstellung der Anatomie und erlauben schnellere MR-Bildgebung.

3D Herz MRT mit hoher räumlicher Auflösung. Die Referenzbilder wurden basierend auf einer 13-minütigen Aufnahme mit Hilfe von paralleler Bildgebung rekonstruiert (non-Cartesian iterative sensitivity encoding). Zusätzlichen wurden Bilder von einem Drittel der Rohdaten mit anderen Verfahren rekonstruiert.

Mit Hilfe der parallelen Bildgebung (SENSE) können nicht alle Artefakte auf Grund der Unterabtastung entfernt werden und es kommt auch zu einer unscharfen Darstellung der Anatomie. Ein Wavelet-basierter Compressed-Sensing-Ansatz (Wavelet) führt nur zu einer marginalen Verbesserung der Bildqualität. Eine iterative Rekonstruktion die eine „total variation“ Regularisierung verwendet führt zu einer fast vollständigen Unterdrückung der Artefakte auf Grund der Unterabtastung, erzeugt aber Regularisierungsartekte. Ein Shearlet-basierter Compressed-Sensing-Ansatz (Shearlet) führt zu einer optimalen Darstellung der Anatomie mit minimalen Unterabtastungsartefakten.

Maschinelles Lernen

Maschinelles Lernen mit Hilfe von neuronalen Netzen wird in der Bildverarbeitung unter anderem für Segmentierung, Objekterkennung und Bildklassifizierung verwendet. In den letzten Jahren wurden auch Methoden entwickelt, die die Bildrekonstruktion von MR- und CT-Daten mit neuronalen Netzen durchführen.

Maschinelles Lernen erlaubt es zum Beispiel, die Bildqualität von funktionalen kardialen MR-Bildern zu verbessern. Diese Aufnahmen werden meistens während einer Atemanhaltephase durchgeführt. Eine Verbesserung der Bildqualität trotz Verkürzung der Aufnahmedauer erlaubt es, dieses Verfahren auch in Patienten anzuwenden, die z.B. unter Atemnot leiden.

2D dynamische MR-Aufnahme, die das Herz zu unterschiedlichen Zeitpunkten im Herzzyklus darstellt. Die Referenzdaten wurden von einer 10s Messung mit einem nicht-kartesischen iterativen kt-SENSE Verfahren rekonstruiert. Für alle anderen Methoden wurde nur ein Drittel der Rohdaten verwendet (d.h. 3s).

Eine direkte Rekonstruktion führt zu vielen Artefakten auf Grund der Unterabtastung. Ein Compressed Sensing-Ansatz (kt-FOCUSS) minimiert einige dieser Artefakte ähnlich wie ein Verfahren, bei dem ein neuronales Netzwerk auf den Bildern im Ortsraum trainiert wird (XY-ML). Eine neue Methode, bei dem ein neuronales Netzwerk entlang der dynamischen Zeitachse angewandt wird (XT-YT-ML), führt zu einer starken Minimierung von Artefakten ohne dabei die diagnostische Information zu beeinträchtigen.

Klinische Anwendungen

Neue Verfahren der Bildrekonstruktion können die Qualität von MR-Bildern verbessern und gleichzeitig die Aufnahmedauer verkürzen, ohne dabei die diagnostische Genauigkeit der Daten zu beinträchtigen. Speziell für kardiale MRT ist dies von Interesse, da hier bei MRT-Aufnahme die Atembewegung und der Herzschlag berücksichtigt werden müssen. Dies kann zu langen Aufnahmezeiten führen. Wir arbeiten in diesem Bereich eng mit dem Institut für Mathematik, TU Berlin, um neue Konzepte aus der Signalverarbeitung in die MR-Bildrekonstruktion zu integrieren. Es besteht auch eine enge Kollaboration mit der Charité Berlin, um neue Verfahren möglichst schnell in Patienten klinisch zu evaluieren.

Nach oben

Aktuelle Projekte

Maschinelles Lernen für die MR Bildrekonstruktion von kardialen MR Aufnahmen

Neuronale Netzwerke werden verwendet, um eine hohe Bildqualität von funktionalen kardialen MR Aufnahmen mit hohen Unterabtastraten zu gewährleisten. Dieses Projekt wird im Rahmen des DFG-Graduiertenkollegs BIOQIC (BIOphysical Quantitative Imaging Towards Clinical Diagnosis) in Zusammenarbeit mit der Charité Berlin durchgeführt.

Kooperationspartner:
Prof. Dr. Marc Dewey, Institut für Radiologie, Charité Berlin, Deutschland

Nach oben

Ausgewählte Literatur

A. Kofler, M. Haltmeier, C. Kolbitsch, M. Kachelriess, M. Dewey,
A U-Nets Cascade for Sparse View Computed Tomography
Machine Learning for Medical Image Reconstruction, 91-99 (2018).

J. Ma, M. Maerz, S. Funk, J. Schulz-Menger, G. Kutyniok, T. Schaeffter, C. Kolbitsch,
Shearlet-based compressed sensing for fast 3D cardiac MR imaging using iterative reweighting
Opens external link in new window Physics in Medicine & Biology 63, 235004 (2018).

J. Ma, F. Schnabel, Z. Chen, S. Funk, G. Kutyniok, J. Schulz-Menger, T. Schaeffter, C. Kolbitsch,
3D high-resolution LGE MRI using shearlet-based compressed-sensing image reconstruction
Proceedings of the 20th Annual Scientific Sessions of SCMR, Washington, United States, (2017).

Nach oben

Kontakt

Anschrift

Physikalisch-Technische Bundesanstalt
Abbestraße 2–12
10587 Berlin