Innovative quantitative Analyseverfahren in der Herz-MRT : Entwicklung, Validierung und diagnostische Relevanz

Mathias Manzke

doi:10.18453/rosdok_id00005666

Mathias Manzke

Innovative quantitative Analyseverfahren in der Herz-MRT : Entwicklung, Validierung und diagnostische Relevanz

Universität Rostock, 03.04.2025

https://doi.org/10.18453/rosdok_id00005666

Abstract: Die vorliegende Arbeit analysiert den Einsatz von KI zur Optimierung der kardialen Magnetresonanztomographie (CMR) in drei zentralen Bereichen: der Validierung einer beschleunigten Bildaufnahme, der Entwicklung eines automatisierten Segmentierungsverfahrens sowie der Analyse der Reproduzierbarkeit und diagnostischen Relevanz von Radiomics-Features.

Dissertation Freier Zugang

Titel:

Innovative quantitative Analyseverfahren in der Herz-MRT: Entwicklung, Validierung und diagnostische Relevanz

Beteiligte Personen:

Mathias Manzke[VerfasserIn]
	0009-0000-8464-6287
	1411853350
Felix Gabriel Meinel[AkademischeR BetreuerIn]
	0000-0002-3201-1033
	1011801310
Georg Füllen[AkademischeR BetreuerIn]
	0000-0002-4994-9829
	140626085
	Universitätsmedizin Rostock, Institut für Biostatistik und Informatik in Medizin und Alternsforschung
Matthias May[AkademischeR BetreuerIn]
	0000-0002-2540-850X
	1026379377
	Universitätsklinikum Erlangen, Radiologisches Institut

Beteiligte Körperschaften:

Universität Rostock[Grad-verleihende Institution]
	38329-6
Universitätsmedizin Rostock[Grad-verleihende Institution]
	1029510660

Zusammenfassung:

Die vorliegende Arbeit analysiert den Einsatz von KI zur Optimierung der kardialen Magnetresonanztomographie (CMR) in drei zentralen Bereichen: der Validierung einer beschleunigten Bildaufnahme, der Entwicklung eines automatisierten Segmentierungsverfahrens sowie der Analyse der Reproduzierbarkeit und diagnostischen Relevanz von Radiomics-Features. [Deutsch]

Dokumenttyp:

Dissertation

Einrichtung:

Universitätsmedizin

Sprache:

Deutsch

Englisch

Sachgruppe der DNB:

004 Informatik

530 Physik

610 Medizin, Gesundheit

Umfang:

1 Online-Ressource (verschiedene Seitenzählungen)

Veröffentlichung /
Entstehung:

Rostock: Universität Rostock

03.04.2025 (normiertes Datum: 2025)

Verantwortlichkeitsangabe:

vorgelegt von Mathias Manzke

Anmerkungen:

Enthält Zeitschriftenartikel

Zeitschriftennachweis: Klemenz AC, Reichardt L, Gorodezky M, Manzke M, Zhu X, Dalmer A, Lorbeer R, Lang CI, Weber MA, Meinel FG. Accelerated Cardiac MRI with Deep Learning-based Image Reconstruction for Cine Imaging. Radiol Cardiothorac Imaging. 2024 Dec;6(6):e230419. doi: 10.1148/ryct.230419. PMID: 39540821; PMCID: PMC11683685 ; Manzke M, Iseke S, Böttcher B, Klemenz AC, Weber MA, Meinel FG. Development and performance evaluation of fully automated deep learning-based models for myocardial segmentation on T1 mapping MRI data. Sci Rep. 2024 Aug 14;14(1):18895. doi: 10.1038/s41598-024-69529-7. PMID: 39143126; PMCID: PMC11324648 ; Manzke M, Laqua FC, Böttcher B, Klemenz AC, Weber MA, Baeßler B, Meinel FG. Repeatability of radiomic features in myocardial T1 and T2 mapping. Eur Radiol. 2025 Mar;35(3):1570-1582. doi: 10.1007/s00330-024-11337-8. Epub 2025 Jan 15. PMID: 39812663; PMCID: PMC11835920

Identifikatoren: