MRI raw data reimagined

Abstract

Magnetic Resonance Imaging (MRI) workflows typically discards raw k-Space data, wasting valuable phase information. This thesis challenges the "reconstruct-then-analyze" paradigm, demonstrating that processing complex-valued k-Space data directly significantly enhances diagnostic efficiency and accuracy. This thesis validates this approach through k-Strip, a neural network for direct k-Space segmentation and anonymization, and a prostate cancer classification model that improves predictive performance, particularly in accelerated scans. To address the scarcity of raw MRI data, the thesis introduces PhaseGen, a generative diffusion model. PhaseGen synthesizes realistic raw data, enabling robust training of algorithms even with minimal real-world datasets. These architectures are integrated into an open-source de-identification tool. By establishing the superiority of complex-valued neural networks for MRI signal analysis, this work lays the foundation for a new, data-efficient framework in medical imaging.Im Zuge der Verarbeitung von Magnetresonanztomographie (MRT) Bildern werden die rohen k-Raum-Daten in der Regel verworfen, wodurch wertvolle Phaseninformationen verloren gehen. Diese Arbeit stellt das Paradigma „erst Rekonstruktion, dann Analyse“ in Frage und zeigt, dass die direkte Verarbeitung komplexwertiger k-Raum-Daten die diagnostische Effizienz und Genauigkeit erheblich steigert. Validiert wird dieser Ansatz durch k-Strip, ein neuronales Netz zur direkten Segmentierung und Anonymisierung im k-Raum, sowie durch ein Modell zur Prostatakrebs-Klassifikation, das insbesondere bei beschleunigten Scans eine verbesserte Vorhersageleistung erzielt. Um dem Mangel an MRT-Rohdaten zu begegnen, führt die Arbeit PhaseGen ein, ein generatives Diffusionsmodell. PhaseGen synthetisiert realistische Rohdaten und ermöglicht so ein robustes Training von Algorithmen selbst mit minimalen realen Datensätzen. Diese Architekturen werden in ein open-source De-Identifizierungs-Tool integriert. Durch den Nachweis der Überlegenheit komplexwertiger neuronaler Netze für die Analyse von MRT-Signalen legt diese Arbeit den Grundstein für ein neues, dateneffizientes Framework in der medizinischen Bildgebung.