
Inhalt
Einführung
Die Magnetresonanztomographie ist ein Standardverfahren in der klinischen Praxis, bei dem typischerweise qualitative Bilder zur diagnostischen Beurteilung verwendet werden. Derzeit stehen neuartige Verfahren im Fokus, die anstelle der qualitativen Information eine quantitative Bestimmung von Gewebeparametern in der klinischen Praxis ermöglichen sollen (Arbeitsgruppe 8.13). Eine solche quantitative Bildgebung könnte z.B. zu einer verbesserten Diagnose sowie zu einer verbesserten Kontrolle von Therapieverläufen führen. Ein vielversprechendes Verfahren stellt dabei das sogenannte „Magnetic Resonance Fingerprinting“ [Nature 495(7440): 187-192, 2013] dar, welches eine gleichzeitige Bestimmung von mehreren Gewebeparametern erlaubt. Das Verfahren arbeitet mit einer zufälligen Folge von Magnetisierungsanregungen sowie einer unterabgetasteten Bildgebung. Hiermit verbunden ist ein herausforderndes Datenanalyseproblem, bei dem eine große Anzahl von Gewebeparametern (>100 000) aus den Messdaten bestimmt werden muss. Bisher wurden hierfür Mustervergleichsverfahren verwendet, die eine Bibliothek von mithilfe eines physikalischen Modells gebildeten Testmustern verwenden.
In der Arbeitsgruppe Datenanalyse und Messunsicherheit wurde ein neuartiges Analyseverfahren entwickelt, bei dem die Gewebeparameter durch Lösung eines „Large-Scale“ Regressionsproblems ermittelt werden. Das neue Verfahren verwendet einen statistischen Modellansatz, mit dem eine verbesserte Schätzung der Gewebeparameter möglich wird. Darüber hinaus können mit der neuen Methode auch Unsicherheiten für die geschätzten Gewebeparameter ermittelt werden.

In Abbildung 1 wird anhand der unterschiedlichen Magnetisierungsverläufe verschiedener Gewebetypen das Prinzip des „Fingerprinting“-Ansatzes illustriert. Abbildung 2 zeigt in einer Simulation ermittelte Rekonstruktionsergebnisse. Im Vergleich zu dem Mustervergleichsverfahren werden mit der neuen Regressionsmethode deutlich kleinere Rekonstruktionsfehler für die Gewebeparameter erzielt. Die verbleibenden Rekonstruktionsfehler werden darüber hinaus gut durch die über den statistischen Ansatz ermittelten Unsicherheiten charakterisiert.

Publikation
- Selma Metzner, Gerd Wübbeler, Clemens Elster, Approximate large-scale Bayesian spatial modeling with application to quantitative magnetic resonance imaging, AStA Adv Stat Anal (2019), 103(3), 333-355,
https://doi.org/10.1007/s10182-018-00334-0
- Gerd Wübbeler, Clemens Elster, A Large-Scale Optimization Method using a sparse Approximation of the Hessian for Magnetic Resonance Fingerprinting, SIAM Journal on Imaging Sciences (2017), 10(3), 979-1004
https://doi.org/10.1137/16M1095032