Diffusion Imaging (DI) hat sich in den letzten Jahren schnell zu einem der wichtigsten nicht-invasiven Werkzeuge für die klinische Hirnforschung entwickelt. Lange Messzeiten, bedingt durch die erforderliche Anzahl der erfassten Gradientenrichtungen, führen jedoch zu einem seltenen Einsatz von DI in der klinischen Praxis. Um dieses Problem zu überwinden, zeigten neuere Methoden die Stärke des maschinellen Lernens und insbesondere des Deep Learning (DL), das in der Lage ist, die zugrundeliegenden komplexen Funktionen des Gewebes sehr genau zu beschreiben und zu rekonstruieren, während nur wenige Gradientenrichtungen erforderlich sind. Die notwendige Messzeit kann hierdurch stark reduziert werden.Für eine optimale Anwendbarkeit des DL in der klinischen DI wurden jedoch vier große Hürden identifiziert, welche im Rahmen dieses Projektes überwunden werden sollen. Die größte Hürde ist die große Varianz zwischen Daten verschiedener MRT Systeme. Zunächst werden deshalb existierende Methoden zur Angleichung verschiedener Systeme verglichen und im Anschluss eine optimale Methode zur Harmonisierung der MRT Signale entwickelt.Ein weiteres Problem sind die schwer zu gewinnenden Ground-Truth (GT) Daten, weshalb das Training von DL Methoden erschwert wird. Zur Lösung dieses Problems wird ein Framework entwickelt, das wichtige Diffusionscharakteristika und Statistiken ermittelt und anhand dieser Informationen individuelle Diffusionsdaten bzw. einen vollständigen Datensatz synthetisiert. Die hierdurch erstellten Daten und ihre korrespondierende GT kann dann während des Trainings der DL Modelle verwendet werden.Weiter werden im Rahmen dieses Projektes die in regulären Methoden bisher selten verwendeten komplexen Signale, welche bei der Akquise einer MRT Sequenz entstehen, mit Hilfe neuartiger DL Methoden in die Rekonstruktion eingebunden, da frühere Studien zeigen konnten, dass die komplexen Zusatzinformationen wichtige Anhaltspunkte für das zugrundeliegende Gewebe enthalten. Zum Schluss liegt der Fokus auf der Winkelabhängigkeit der Diffusionssignale. Bisherige DL Methoden sind derzeit nicht in der Lage, diese sphärischen Informationen in die Verarbeitung mit einfließen zu lassen. Durch neue Methoden innerhalb des DL können diese Nachbarschaftsinformationen sowohl innerhalb eines Voxels als auch zwischen Voxeln einbezogen werden, damit eine optimale Rekonstruktion gewährleistet werden kann.Zur Evaluierung aller beschriebenen Methoden werden während der ersten Hälfte des Projektes an verschiedenen Standorten MRT Daten akquiriert, welche die benötigten Phasendaten, eine hohe Anzahl Gradientenrichtungen, sowie eine hohe Auflösung besitzen. Ziel der durch dieses Projekt gewonnenen Ergebnisse und der entwickelten Methoden ist es, die Messzeiten für Diffusionssequenzen in klinische Studien bei gleicher Genauigkeit signifikant reduzieren zu können.
