Testplattform zur Entwicklung neuer optischer Positionsverfolgungstechnologie zur Verbesserung der Korrektur von Kopfbewegungen in der Magnetresonanztomographie

Die optische Verfolgung der Kopfhaltung über fiduziale Marker hat sich als effektiv zur Korrektur von Bewegungsartefakten im Gehirn während der Magnetresonanztomographie erwiesen, bleibt jedoch in der Klinik aufgrund langer Kalibrierungs- und Einrichtungszeiten schwer umsetzbar. Fortschritte im Deep Learning zur markierungsfreien Schätzung der Kopfhaltung wurden bislang noch nicht auf dieses Problem angewendet, da die für die Bewegungs-korrektur erforderliche räumliche Auflösung im Submillimeterbereich liegt. In der vorliegenden Arbeit werden zwei optische Verfolgungssysteme für die Entwicklung und das Training eines neuronalen Netzwerks beschrieben: ein markerbasiertes System (eine Testplattform zur Messung der wahren Kopfhaltung) mit hoher Verfolgungsgenauigkeit, um als Trainingslabels zu dienen, und ein markerfreies, auf Deep Learning basierendes System, das Bilder des markerfreien Kopfes als Eingabe für das Netzwerk verwendet. Das markerfreie System hat das Potenzial, Probleme wie Markerverdeckung, unzureichende starre Befestigung des Markers, langen Kalibrierungszeiten und ungleiche Leistung über Freiheitsgrade (DOF) zu überwinden, die alle die Akzeptanz markerbasierter Lösungen in der Klinik behindern. Es werden Details zur Entwicklung eines maßgeschneiderten, moiré-verbesserten fiduzialen Markers zur Verwendung als Ground Truth und zum Kalibrierungsverfahren für beide optischen Verfolgungssysteme bereitgestellt. Darüber hinaus wird die Entwicklung eines synthetischen Kopfhaltungsdatensatzes für den Machbarkeitsnachweis und das anfängliche Vortraining eines einfachen konvolutionalen neuronalen Netzwerks beschrieben. Die Ergebnisse zeigen, dass das Ground Truth-System ausreichend kalibriert wurde und die Kopfhaltung mit einem Fehler von <1 mm und <1° verfolgen kann. Tracking-Daten eines gesunden, erwachsenen Teilnehmers werden gezeigt. Die Vortrainingsergebnisse zeigen, dass der durchschnittliche quadratische Mittelwert über die 6 DOF 0,13 und 0,36 (mm oder Grad) für ein Kopfmodell betrug, das im Trainingsdatensatz enthalten war bzw. ausgeschlossen wurde. Insgesamt zeigt diese Arbeit die hervorragende Machbarkeit des auf Deep Learning basierenden Ansatzes und wird künftige Arbeiten beim Training und Test mit einem echten Datensatz im MRI-Umfeld ermöglichen.