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.