Physics Seminar - Cheatsheet
Grundlagen der Kernspintomographie
Definition:
Grundlagen der Kernspintomographie: Methode zur Erzeugung detaillierter Bilder von Gewebe im Körper durch Nutzung von Magnetfeldern und Radiowellen.
Details:
- Kernprinzip: Magnetische Resonanz
- Hauptbestandteile: Starker Magnet, Radiofrequenzspule, Detektoren
- Nutzung des Verhaltens von Wasserstoffprotonen (Spin) im Magnetfeld
- Lamorfrequenz: \(u = \frac{\text{B}_0 \text{γ}}{2π}\)
- Relaxationszeiten: T1 (Spin-Gitter) und T2 (Spin-Spin)
- Gradienten-Magnetfelder zur Ortskodierung
- Bilderzeugung durch Fourier-Transformation von gemessenen Signalen
Bildrekonstruktionsverfahren in der MRT
Definition:
Bildrekonstruktionsverfahren in der MRT (Magnetresonanztomographie) wandeln Rohdaten, die durch magnetische Felder und Radiofrequenzimpulse gewonnen werden, in detaillierte Querschnittsbilder des Körpers um.
Details:
- Fourier-Transformation: zentrale Methode zur Bildrekonstruktion
- k-Raum: Mapping der Frequenzinformationen
- Inverse Fourier-Transformation: Umwandlung des k-Raums in räumliche Bilder
- Signalmessung: Phasenkodierung und Frequenzkodierung
- Bildsegmentierung und -nachverarbeitung: Verbesserung der Bildqualität
Kombination von Bildgebungsverfahren (z.B. PET/CT, PET/MRT)
Definition:
Kombination von Bildgebungsverfahren wie PET/CT und PET/MRT nutzt komplementäre Stärken verschiedener Methoden zur verbesserten Diagnostik.
Details:
- PET (Positronen-Emissions-Tomographie): Funktionelle Bildgebung, zeigt metabolische und biochemische Aktivität.
- CT (Computertomographie): Anatomische Bildgebung, liefert präzise räumliche Auflösung von Strukturen.
- PET/CT: Kombiniert funktionelle und anatomische Informationen, verbessert Tumordiagnostik und Therapieplanung.
- MRT (Magnetresonanztomographie): Überlegene Weichteilkontraste, keine ionisierende Strahlung.
- PET/MRT: Präzise Weichteildarstellung und funktionelle Bildgebung, reduziert Strahlenbelastung im Vergleich zu PET/CT.
- Vorteile der Kombination: Erhöhte diagnostische Genauigkeit, verbesserte Bildqualität, effizientere Patientenversorgung.
Iterative Rekonstruktionsmethoden
Definition:
Iterative Verfahren zur schrittweisen Annäherung an die Lösung eines Problems, häufig genutzt in Bildgebung und Tomographie.
Details:
- Verwendet zur Lösung inverser Probleme, z.B. in der CT-Rekonstruktion.
- Start mit einer Initialschätzung und sukzessive Verbesserung durch Iteration.
- Kombiniert Messdaten mit Modellannahmen.
- Beispiele sind ART (Algebraic Reconstruction Technique) und SIRT (Simultaneous Iterative Reconstruction Technique).
- Kann Regularisierung einbeziehen, um Rauschen zu reduzieren.
- Vorteil: Flexibilität und Anpassung an verschiedene Messbedingungen.
Anwendung von KI in der Bildrekonstruktion
Definition:
KI-Methoden verbessern die Bildqualität und Rekonstruktionsgeschwindigkeit in der medizinischen Bildgebung und anderen Bereichen.
Details:
- Verbesserung von Bildrekonstruktion durch Deep Learning, neuronale Netze.
- Techniken wie Convolutional Neural Networks (CNNs), Generative Adversarial Networks (GANs).
- Anwendungen in CT, MRT, PET, Ultraschall.
- Reduktion von Rauschen, Artefakten; höhere Auflösung.
- Mathematisches Modell: Verlustfunktion minimieren, z.B. MSE (Mean Squared Error), SSIM (Structural Similarity).
- Beschleunigung der Berechnung durch Parallelisierung und spezialisierte Hardware (GPUs, TPUs).
Messung und Berechnung von Strahlendosen
Definition:
Messung und Berechnung der Exposition gegenüber ionisierender Strahlung unter Nutzung spezifischer Einheiten und Formeln.
Details:
- Dosisbegriffe: Gray (Gy) für absorbierte Dosis, Sievert (Sv) für Äquivalentdosis.
- Formeln: \[ D = \frac{E}{m} \] für absorbierte Dosis, wobei \( D \) die Dosis, \( E \) die absorbierte Energie, \( m \) die Masse des bestrahlten Materials.
- Einheiten: 1 Gy = 1 J/kg, 1 Sv = 1 J/kg (gewichtete Dosis).
- Detektionsmethoden: Geiger-Müller-Zähler, Ionisationskammer, Szintillationsdetektor.
- Berechnung der Äquivalentdosis: \[ H = D \times Q \] mit \( H \) für Äquivalentdosis, \( D \) für absorbierte Dosis, und \( Q \) für den Qualitätsfaktor der Strahlungsart.
- Berücksichtigung biologischer Wirkungen durch Gewichtungsfaktoren.
Segmentierungsverfahren in der Bildverarbeitung
Definition:
Methoden zur Unterteilung digitaler Bilder in bedeutungsvolle Bereiche oder Objekte.
Details:
- Hauptklassen: Schwellenwertverfahren, Kantenbasierte Verfahren, Region-basierte Verfahren
- Wichtige Algorithmen: Otsu's Schwellenwertmethode, Canny-Kantendetektion, Region Growing
- Verwendung von Merkmalsdaten: Intensität, Farbe, Textur
- Anwendungen: Objekterkennung, Bildanalyse, Mustererkennung
- Qualitätsmetriken: Genauigkeit, Jaccard-Index, Dice-Koeffizient
Anwendung von Deep Learning in der Bildanalyse
Definition:
Nutzung von neuronalen Netzen für die Analyse und Verarbeitung von Bilddaten.
Details:
- Bildklassifikation: Zuordnung von Bildern zu vordefinierten Klassen.
- Objekterkennung: Identifikation und Lokalisierung von Objekten innerhalb von Bildern.
- Bildsegmentierung: Unterteilung eines Bildes in verschiedene Segmente oder Regionen.
- Verwendete Algorithmen/Modelle: Convolutional Neural Networks (CNNs), Generative Adversarial Networks (GANs).
- Wichtige Frameworks: TensorFlow, PyTorch.
- Leistungsbewertung: Accuracy, Precision, Recall, F1-Score.