Promotie C. (Chaoping) Zhang

Proefschrift in het kort:

MRI is een van de meest gebruikte methoden van medische beeldvorming en maakt contrast mogelijk tussen weefsels in verschillende lichaamsdelen. MRI genereert beelden van door de scanner verkregen signalen in de k-ruimte met behulp van verschillende pulssequenties. Zulke acquisities kunnen lang duren, wat een van de grootste nadelen van MRI is. Om de beeldvorming te versnellen, hebben mensen talloze snelle beeldsequenties ontwikkeld in een poging meer data in kortere tijd te verwerven. Een andere manier om de beeldvorming te versnellen is om de bemonstering van de k-ruimte te verminderen, wat uitdagingen voor reconstructie met zich meebrengt. De klinische MRI-scans worden meestal uitgevoerd met een ontvangstspoel met meerdere kanalen en/of met meerdere pulssequentie-instellingen. De signaalcorrelatie tussen de kanalen of verschillende sequentie-instellingen biedt mogelijkheden voor het reconstrueren van de niet volledig bemonsterde k-ruimte. Dit proefschrift stelt meerdere automatisch gekalibreerde reconstructiemethoden voor die gebruik maken van dergelijke signaalcorrelatie. In dit proefschrift wordt automatische calibratie niet alleen gebruikt om de beeldvorming te versnellen, maar ook om de beweging die tijdens het scannen plaatsvindt te compenseren. Naast de conventionele lineaire manier om de signaalcorrelatie te benutten, hebben we ook niet-lineaire autokalibratie onderzocht met behulp van een neuraal netwerk. Ten slotte hebben we de mogelijke versnelling onderzocht van kwantitatieve MRI door middel van deep learning methode die gebruik maakt van de gedeelde kennis tussen beeldreconstructie en relaxometrie-parametermapping. De methoden voor beeldreconstructie en bewegingscompensatie die in dit proefschrift worden voorgesteld, kunnen bijdragen aan de implementatie van snellere MRI-methoden in de klinische praktijk.