Achtsamkeit wird mit vielen positiven Effekten für das psychische Wohlbefinden assoziiert, wobei Fähigkeiten wie Emotionsregulation (ER) und soziale Kognition (SC) zu den wichtigsten Mechanismen gehören. In der vorliegenden Doktorarbeit wurde die Beziehung zwischen Achtsamkeit, ER und SC mit verschiedenen methodischen Ansätzen untersucht. In Studie I wurde mithilfe von Literatur und empirischen Modellen die Beziehung zwischen Achtsamkeit und ER ausgearbeitet und verschiedene psychologische und neurokognitive Mechanismen diskutiert. Studie II zielte darauf ab den ER-Mechanismus bei „Trait-Achtsamkeit“ zu entschlüsseln. Hier zeigte sich, dass es sowohl bei Probanden mit einer Borderline-Persönlichkeitsstörung als auch bei gesunden Teilnehmern einen mediierenden Effekt von Selbstmitgefühl gab, der Achtsamkeit mit ER-Merkmalen verband. Studie III untersuchte den Zusammenhang zwischen ER und SC mit Hilfe von Verhaltens- und Neuroimaging-Experimenten, mit Fokus auf dem Konzept der sozialen ER (die Fähigkeit, die Emotionen anderer zu modulieren). Es zeigte sich, dass bei der Regulierung der Emotionen anderer der eigene Stress reduziert wird, wobei wichtige "soziokognitive" Hirnregionen (z.B. Precuneus) an der Vermittlung dieser Effekte beteiligt sind. Studie IV untersuchte im Rahmen einer Neuroimaging-basierten randomisierten Kontrollstudie ER-Mechanismen während einer achtsamkeitsbasierten Intervention (MBI). Die Studie zeigte eine durch die MBI induzierte ER-Verhaltensplastizität im Gehirn, sowohl für die Eigen- als auch für die soziale ER. Ein Effekt im Vergleich zu SC (kognitive und emotionale Empathie) wurde nicht gezeigt. Unter Einbezug aller Ergebnisse wurde ein Modell postuliert, das den Austausch und die Regulierung von Emotionen im Kontext von sozialen Interaktionen integriert. Die Dissertation bietet neue Einblicke in die ER-Mechanismen der Achtsamkeit und beleuchtet die individuellen Determinanten sozialer Prozesse durch das Zusammenbringen von ER und SC. / Mindfulness, the capacity to fully attend to the present experience, has been linked to a myriad of mental health benefits, being abilities such as emotion regulation (ER) and social cognition (SC) of the main potential active mechanisms. The current doctorate thesis investigated the relationship between mindfulness and ER and SC using a range of methodological approaches from trait level individual differences to behavioral and brain mechanisms. Study one explored the relationship between mindfulness and ER by examining the diverse literature and empirical models, discussing different psychological and neuro-cognitive mechanisms. Study two intended to unravel the ER mechanism of trait mindfulness, showing in both borderline personality and healthy subjects the mediating effect of self-compassion linking mindfulness and ER traits. Study three further investigated the link between ER and SC using behavioral and neuro-imaging experiments, addressing the notion of social ER (the capacity to modulate others’ emotions). It showed that when regulating others’ emotions, an individual’s own distress is reduced, being key ‘sociocognitive’ brain regions (i.e. precuneus) engaged in mediating these effects. Study four investigated the fine-grained ER mechanisms of a mindfulness-based intervention (MBI), comparing the MBI with a reading group (READ), in the context of a neuroimaging-based randomized controlled trial. This study revealed ER brain behavioral plasticity induced by the MBI, for both self and social ER. It also showed a lack of effect over SC (cognitive and emotional empathy). Articulating overall findings, a model that integrates exchanges and regulation of emotions in the context of social interactions is proposed. The dissertation offers new insights into mindfulness’ ER mechanisms, from dispositions to neuro-behavioral levels, and also sheds light onto individual level determinants of social processes, linking ER and SC.

Die vorliegende Arbeit beschäftigt sich mit der Bildgebung magnetisch markierter Stammzellen im ZNS mittels Magnetresonanztomographie. Dazu wurden Stammzellen mit Eisenoxidnanopartikeln (VSOP, very small superparamagnetic iron-oxide particles) in vitro effizient und ohne zusätzliche Lipofektionsagenzien magnetisch markiert. Es zeigte sich keine wesentliche Beeinflussung der Vitalität, Proliferation und Differenzierungsfähigkeit sämtlicher untersuchter Zellpopulationen. Zur Evaluierung der Grenzen der zellulären MR-Bildgebung wurde das Detektionslimit magnetisch markierter embryonaler Stammzellen in vivo nach intrastriataler Injektion im Gehirn der Ratte untersucht. Es ließen sich bei einer Feldstärke von 17,6 T weniger als 100 magnetisch markierte Zellen sicher vom Hirnparenchym abgrenzen. Die histologische Korrelation bestätigte den zellulären Ursprung der beobachteten T2*-Hypointensitäten. In einem Rattenmodel des Morbus Parkinson konnte eine spezifische Detektion der intrastriatal injizierten magnetisch markierten embryonalen Stammzellen über einen Zeitraum von 6 Monaten erreicht werden. Es konnte keine signifikante Migration der Zellen festgestellt werden, jedoch fanden sich große interindividuelle Unterschiede in ihrer räumlichen Verteilung. In der histologische Analyse stellten sich auch sechs Monate nach der Transplantation im Bereich des Stichkanals eisenoxidmarkierte Stammzellen dar. In einem Mausmodell der cerebralen Ischämie wurde erstmals die Anreicherung systemisch injizierter magnetisch markierter mononukleärer Zellen kernspintomographisch erfasst. 24 - 48 h nach der Injektion magnetisch markierter Zellen stellten sich T2*-gewichtete Signalhypointensitäten im Randbereich der Ischämie dar. Insgesamt zeigte sich in dieser Studie die zelluläre Magnetresonanztomographie zu einem nicht-invasiven Nachweis einer geringen Anzahl magnetisch markierter Zellen über einen langen Zeitraum mit hoher Sensitivität in der Lage. / This thesis is dealing with the imaging of magnetically labeled stem cells in the CNS using magnetic resonance imaging (MRI). Stem cells were efficiently magnetically labeled with very small superparamagnetic iron-oxide particles (VSOP), without any lipofection agents. No significant impact on vitality, proliferation and ability to differentiate could be observed after the magnetic labeling of all cell populations investigated. Magnetically labeled embryonic stem cells were injected into the striatum of rats to evaluate their detection limit by MRI. At field strengths of 17.6 T, less than 100 cells could be discriminated from the brain parenchyma as T2*-weighted hypointensities. Histology proved the cellular origin of MRI-signal changes. In a rat model of Parkinsons’s Disease, magnetically labeled embryonic stem cells could be detected by MRI after intrastriatal injection for a time period of more than 6 months. No significant migration of transplanted cells could be observed, however significant inter-individual differences concerning the spatial distribution of cells could be found. Histologically, transplanted iron-oxide-labeled cells could still be detected in the vicinity of the injection tract six months after transplantation. In a mouse model of cerebral ischemia, the enrichment of systemically injected magnetically labeled mononuclear cells was detected non-invasively by MRI. 24 to 48 hours after injection of magnetically labeled cells, T2*-weighted hypointense signal changes could be observed in the border zone of the ischemia. Over all, this study showed that cellular MRI is capable of the sensitive non-invasive detection of small numbers of magnetically labeled cells over a long period of time.

In dieser Doktorarbeit wird die Frage untersucht, wie erfolgreich deep learning bei der Diagnostik von neurodegenerativen Erkrankungen unterstützen kann. In 5 experimentellen Studien wird die Anwendung von Convolutional Neural Networks (CNNs) auf Daten der Magnetresonanztomographie (MRT) untersucht. Ein Schwerpunkt wird dabei auf die Erklärbarkeit der eigentlich intransparenten Modelle gelegt. Mit Hilfe von Methoden der erklärbaren künstlichen Intelligenz (KI) werden Heatmaps erstellt, die die Relevanz einzelner Bildbereiche für das Modell darstellen. Die 5 Studien dieser Dissertation zeigen das Potenzial von CNNs zur Krankheitserkennung auf neurologischen MRT, insbesondere bei der Kombination mit Methoden der erklärbaren KI. Mehrere Herausforderungen wurden in den Studien aufgezeigt und Lösungsansätze in den Experimenten evaluiert. Über alle Studien hinweg haben CNNs gute Klassifikationsgenauigkeiten erzielt und konnten durch den Vergleich von Heatmaps zur klinischen Literatur validiert werden. Weiterhin wurde eine neue CNN Architektur entwickelt, spezialisiert auf die räumlichen Eigenschaften von Gehirn MRT Bildern. / Deep learning and especially convolutional neural networks (CNNs) have a high potential of being implemented into clinical decision support software for tasks such as diagnosis and prediction of disease courses. This thesis has studied the application of CNNs on structural MRI data for diagnosing neurological diseases. Specifically, multiple sclerosis and Alzheimer’s disease were used as classification targets due to their high prevalence, data availability and apparent biomarkers in structural MRI data. The classification task is challenging since pathology can be highly individual and difficult for human experts to detect and due to small sample sizes, which are caused by the high acquisition cost and sensitivity of medical imaging data. A roadblock in adopting CNNs to clinical practice is their lack of interpretability. Therefore, after optimizing the machine learning models for predictive performance (e.g. balanced accuracy), we have employed explainability methods to study the reliability and validity of the trained models. The deep learning models achieved good predictive performance of over 87% balanced accuracy on all tasks and the explainability heatmaps showed coherence with known clinical biomarkers for both disorders. Explainability methods were compared quantitatively using brain atlases and shortcomings regarding their robustness were revealed. Further investigations showed clear benefits of transfer-learning and image registration on the model performance. Lastly, a new CNN layer type was introduced, which incorporates a prior on the spatial homogeneity of neuro-MRI data. CNNs excel when used on natural images which possess spatial heterogeneity, and even though MRI data and natural images share computational similarities, the composition and orientation of neuro-MRI is very distinct. The introduced patch-individual filter (PIF) layer breaks the assumption of spatial invariance of CNNs and reduces convergence time on different data sets without reducing predictive performance. The presented work highlights many challenges that CNNs for disease diagnosis face on MRI data and defines as well as tests strategies to overcome those.