DF‐QSM: Hybridansatz auf Basis der Datenintegrität zur Verbesserung der quantitativen Suszeptibilitätsabbildung des Gehirns

Die quantitative Suszeptibilitätsabbildung (QSM) ist eine fortschrittliche Technik der Magnetresonanztomographie (MRT), um die magnetische Suszeptibilität des untersuchten Gewebes zu quantifizieren. Methoden des Deep Learning haben vielversprechende Ergebnisse bei der Entwirrung der Suszeptibilitätsverteilung aus dem gemessenen lokalen Feld, das aus der MR-Phase gewonnen wurde, gezeigt. Obwohl bestehende auf Deep Learning basierende QSM-Methoden qualitativ hochwertige Rekonstruktionen liefern können, sind sie stark auf die Verteilung der Trainingsdaten ausgerichtet, wodurch die Generalisierbarkeit eingeschränkt wird. Diese Arbeit schlägt einen hybriden Rekonstruktionsansatz in zwei Schritten vor, um die Rekonstruktion von QSM auf Basis von Deep Learning zu verbessern. Die aus den Deep Learning-Methoden erhaltene Vorhersage der Suszeptibilitätskarte wurde im Rahmen der in dieser Arbeit entwickelten Methodik verfeinert, um die Konsistenz mit dem gemessenen lokalen Feld sicherzustellen. Die entwickelte Methode wurde unter Verwendung bestehender Deep Learning- und modellbasierter Deep Learning-Methoden zur Suszeptibilitätsabbildung des Gehirns validiert. Die entwickelte Methode führte zu einer verbesserten Rekonstruktion von MRT-Volumen, die unter verschiedenen Erfassungsbedingungen erhalten wurden, einschließlich Deep Learning-Modellen, die auf eingeschränkten (begrenzten) Dateneinstellungen trainiert wurden.