Využití alternativních způsobů spouštění magnetické rezonance

Abstract

Tato práce se zaměřuje na problematiku spouštění akvizice dat magnetické rezonance (MR) podle kardiorespirační aktivity pacienta, jež představuje důležitou součást vyšetření kardiovaskulárního systému a také abdominálních orgánů. Měření kardiorespirační aktivity se stává v prostředí MR problematickým, proto vzniká mnoho studií zabývajících se návrhem alternativ ke standardním metodám. Těmito alternativními metodami se disertační práce zabývá podrobněji, a to zejména měřicím systémem s využitím pneumatických senzorů pro snímání balistokardiografického (BKG) signálu. V práci je popsána prvotní validace tohoto systému v prostředí MR a hodnocení kvality snímání v různých oblastech pacientova těla. Další částí práce je pak návrh a komparace metod pro automatickou identifikaci kvalitních úseků BKG signálu, které mají za cíl zvýšit přesnost detekce významných bodů a snížit zátěž obsluhujícího personálu. Tyto metody zahrnují rozdílné modely na bázi strojového učení, jejichž výkonnost je porovnána z komplexního hlediska i z pohledu jednotlivých pacientů.

The thesis focuses on the issue of magnetic resonance (MR) gating by cardiorespiratory activity of the patient, which is an essential part of the examination of the cardiovascular system and abdominal organs. Since measuring the cardiorespiratory activity faces many challenges within the MR environment, many studies deal with the design of novel methods that can become alternatives to standard ones. The thesis deals with these alternative methods in more detail, especially with the measurement system based on pneumatic sensors for ballistocardiography (BCG) sensing. The thesis describes validation of the function of this system in the MR environment and the assessment of sensing quality in different areas of the patient's body. The next part of the thesis is the design and comparison of methods for the automatic identification of high-quality sections of the BCG signal, which aim to increase the accuracy of the detection of significant points and reduce the burden on the operating personnel. These methods include different machine learning-based models, whose performance is compared from a complex as well as from an individual patient perspective.