Die Kombination aus Magnetresonanzbildgebung (MRT) und Positronen-Emissions-Tomographie (PET) in einem hybriden Scanner stellt eine neuartige multimodale Bildgebung dar, mit derer die Lokalisation von Tumoren sowie die Abgrenzung von gesundem Gewebe gegenüber der konventionellen PET-Computertomographie (PET-CT) deutlich verbessert werden kann. Ebenso kann durch die Integration von MRT in Strahlungstherapiegeräten (wie z.B. Linearbeschleunigern, engl. Abk. Linac) die Planung der Dosisabgabe verbessert oder eventuell vorhandene Tumorbewegungen berücksichtigt werden. Neben diesem gewichtigen Potenzial ergeben sich herausfordernde Probleme bei der Substitution von CT durch MRT in der Strahlentherapie sowie PET-Bildgebung. Da in beiden Fällen Informationen über das Abschwächungsverhalten des Gewebes benötigt werden, es aber keinen Zusammenhang zwischen den gemessenen MRT-Intensitäten und den Hounsfield Units (HU) gibt wodurch eine direkte Umrechnung unmöglich gemacht wird, bedarf es synthetischer CT-Daten (sogenannte Pseudo-CTs) auf Basis der akquirierten MRT-Scans.

Unsere Vorarbeit zu der modalitätsunabhängigen Bildbeschreibung gilt als Stand-der-Technik für die multimodale nichtlineare Bildregistrierung, welche einen unerlässlichen Schritt bei der Multi-Atlas-basierten CT-Synthese darstellt. Die ersten von uns entwickelten Methoden zur Bildsynthese verwenden eine lokale Formulierung der Kanonischen Korrelationsanalyse (engl. Abk. CCA) zur Synthese des MRT-Kontrasts basierend auf lokalen Histogrammen und weiterhin ein Multi-Atlas Registrierungsverfahren zur MRT-basierten Pseudo-CT Synthese. Ziel dieses Projektes ist die Verbesserung und Erweiterung registrierungsbasierter Ansätze und darüber hinaus die Kombination mit Methoden des maschinellen Lernens um deren Potenzial für die Bildsynthese zu untersuchen. Dazu werden verschiedene multivariate statistische Methoden wie z.B. die nichtlineare CCA herangezogen. Um das Problem des fehlenden funktionalen Zusammenhangs zwischen MRT-Intensitäten und HUs zu überwinden sollen Bildbeschreibungen verwendet werden, welche mehr Kontextinformationen in die Bildsynthese mit einbeziehen. Lernalgorithmen zur Erkennung und Korrektur von Fehlern bei der Erzeugung des Pseudo-CT Scans könnten ebenfalls erforscht werden. Entsprechend der Bildsynthese können Abschwächungskarten direkt auf Basis der synthetisierten Pseudo-CT Scans erzeugt werden um deren Einfluss auf die PET-Bildrekonstruktion bewerten zu können. Aufgrund der Einschränkung bisheriger Arbeiten zur Erstellung von Abschwächungskarten hauptsächlich für den Kopf- und Nackenbereich, ist ein besonderer Schwerpunkt dieses Projektes die Entwicklung neuer Methoden zur MRT-basierten Pseudo-CT Synthese für den ganzen Körper.