Positron emission tomography (PET) is a well-established functional imaging method used in nuclear medicine. It allows for retrieving information about biochemical and physiological processes in vivo. The currently possible spatial resolution of PET is about 5 mm for brain acquisitions and about 8 mm for whole-body acquisitions, while recent improvements in image reconstruction point to a resolution of 2 mm in the near future. Typical acquisition times range from minutes to hours due to the low signal-to-noise ratio of the measuring principle, as well as due to the monitoring of the metabolism of the patient over a certain time. Therefore, patient motion increasingly limits the possible spatial resolution of PET. In addition, patient immobilisations are only of limited benefit in this context. Thus, patient motion leads to a relevant resolution degradation and incorrect quantification of metabolic parameters. The present work describes the utilisation of a novel motion compensation method for clinical brain PET acquisitions. By using an external motion tracking system, information about the head motion of a patient is continuously acquired during a PET acquisition. Based on the motion information, a newly developed event-based motion compensation algorithm performs spatial transformations of all registered coincidence events, thus utilising the raw data of a PET system - the so-called `list-mode´ data. For routine acquisition of this raw data, methods have been developed which allow for the first time to acquire list-mode data from an ECAT Exact HR+ PET scanner within an acceptable time frame. Furthermore, methods for acquiring the patient motion in clinical routine and methods for an automatic analysis of the registered motion have been developed. For the clinical integration of the aforementioned motion compensation approach, the development of additional methods (e.g. graphical user interfaces) was also part of this work. After development, optimisation and integration of the event-based motion compensation in clinical use, analyses with example data sets have been performed. Noticeable changes could be demonstrated by analysis of the qualitative and quantitative effects after the motion compensation. From a qualitative point of view, image artefacts have been eliminated, while quantitatively, the results of a tracer kinetics analysis of a FDOPA acquisition showed relevant changes in the R0k3 rates of an irreversible reference tissue two compartment model. Thus, it could be shown that an integration of a motion compensation method which is based on the utilisation of the raw data of a PET scanner, as well as the use of an external motion tracking system, is not only reasonable and possible for clinical use, but also shows relevant qualitative and quantitative improvement in PET imaging. / Die Positronen-Emissions-Tomographie (PET) ist ein in der Nuklearmedizin etabliertes funktionelles Schnittbildverfahren, das es erlaubt Informationen über biochemische und physiologische Prozesse in vivo zu erhalten. Die derzeit erreichbare räumliche Auflösung des Verfahrens beträgt etwa 5 mm für Hirnaufnahmen und etwa 8 mm für Ganzkörperaufnahmen, wobei erste verbesserte Bildrekonstruktionsverfahren eine Machbarkeit von 2 mm Auflösung in Zukunft möglich erscheinen lassen. Durch das geringe Signal/Rausch-Verhältnis des Messverfahrens, aber auch durch die Tatsache, dass der Stoffwechsel des Patienten über einen längeren Zeitraum betrachtet wird, betragen typische PET-Aufnahmezeiten mehrere Minuten bis Stunden. Dies hat zur Folge, dass Patientenbewegungen zunehmend die erreichbare räumliche Auflösung dieses Schnittbildverfahrens limitieren. Eine Immobilisierung des Patienten zur Reduzierung dieser Effekte ist hierbei nur bedingt hilfreich. Es kommt daher zu einer relevanten Auflösungsverschlechterung sowie zu einer Verfälschung der quantifizierten Stoffwechselparameter. Die vorliegende Arbeit beschreibt die Nutzbarmachung eines neuartigen Bewegungskorrekturverfahrens für klinische PET-Hirnaufnahmen. Mittels eines externen Bewegungsverfolgungssystems wird während einer PET-Untersuchung kontinuierlich die Kopfbewegung des Patienten registriert. Anhand dieser Bewegungsdaten führt ein neu entwickelter event-basierter Bewegungskorrekturalgorithmus eine räumliche Korrektur aller registrierten Koinzidenzereignisse aus und nutzt somit die als "List-Mode" bekannten Rohdaten eines PET Systems. Für die Akquisition dieser Daten wurden eigens Methoden entwickelt, die es erstmals erlauben, diese Rohdaten von einem ECAT Exact HR+ PET Scanner innerhalb eines akzeptablen Zeitraumes zu erhalten. Des Weiteren wurden Methoden für die klinische Akquisition der Bewegungsdaten sowie für die automatische Auswertung dieser Daten entwickelt. Ebenfalls Teil der Arbeit waren die Entwicklung von Methoden zur Integration in die klinische Routine (z.B. graphische Nutzeroberflächen). Nach der Entwicklung, Optimierung und Integration der event-basierten Bewegungskorrektur für die klinische Nutzung wurden Analysen anhand von Beispieldatensätzen vorgenommen. Es zeigten sich bei der Auswertung sowohl der qualitativen als auch der quantitativen Effekte deutliche Änderungen. In qualitativer Hinsicht wurden Bildartefakte eliminiert; bei der quantitativen Auswertung einer FDOPA Messung zeigte sich eine revelante Änderung der R0k3 Einstromraten eines irreversiblen Zweikompartment-Modells mit Referenzgewebe. Es konnte somit gezeigt werden, dass eine Integration einer Bewegungskorrektur unter Zuhilfenahme der Rohdaten eines PET Systems sowie unter Nutzung eines externen Verfolgungssystems nicht nur sinnvoll und in der klinischen Routine machbar ist, sondern auch zu maßgeblichen qualitativen und quantitativen Verbesserungen in der PET-Bildgebung beitragen kann.

Motion artefacts due to cardiac and respiratory motion present a daily challenge in cardiac Magnetic Resonance Imaging (MRI), and many different motion correction procedures are used in clinical routine imaging. To reduce motion artefacts further, patients are required to hold their breath during parts of the data acquisition, which is physically straining – especially when done repetitively. Self-Gating (SG) is a method that extracts cardiac and respiratory motion information from the MRI data in the form of signals, called SG signals, and uses them to divide the data into the specific cardiac and respiratory phases it was acquired from. This method both avoids motion artefacts and allow for free-breathing acquisition. This project’s goal was to find a method for extracting cardiac and respiratory SG signals from MRI data. The data was acquired with a golden angle radial acquisition method for 3-dimensional (3D) scans. Extraction of the raw signal was tested for both raw k-space data and high temporal resolution image series, where the images were reconstructed using a sliding window reconstruction. Filters were then applied to isolate the cardiac and respiratory information, to create separate cardiac and respiratory SG signals. Thereafter trigger points marking the beginning of the cardiac and respiratory cycles were generated. The trigger points were compared against ECG and respiratory trigger points provided by the MR scanner. The conclusion was that the SG signals based on k-space data was functional on the scans from the evaluated subjects and the most effective choice of the two options, but image based SG signals may prove to be functional after further studies. / Rörelseartefakter på grund av hjärt- och respirationsrörelser är idag vardagliga utmaningar inom magnetresonanstomografi (MR) av hjärtat, och många olika metoder används för att eliminera rörelseartefakterna. Patienterna behöver dessutom hålla andan under delar av dataupptagningen, vilket är fysiskt ansträngande – speciellt när det sker upprepade gånger. Self-Gating (SG) är en metod som extraherar information hjärt- och respirationsrytm från MR-datan i form av signaler, kallade SG signaler, och använder dem för att dela in datan i de specifika hjärt- respektive respirationsfaser som var när datan upptogs. Denna metod både undviker rörelseartefakter och tillåter fri andning under dataupptagningen. Målet med det här projektet var att hitta en metod för att extrahera SG signaler för hjärt- och respirationsrytm från MR-data. Datan samlades in med en golden angle radial-upptagning för 3- dimensionella (3D) scanningar. Extraheringen av den råa signalen testades på både rå k-space data och på bildserier av 3D-bilder med hög tidsupplösning, där bilderna var rekonstruerade med en sliding window rekonstruktion. Därefter applicerades filter för att isolera hjärt- och respirationsinformationen, för att få separata SG signaler med endast hjärt- respektive respirationsrytmer. Till slut genererades triggerpunkter för att markera början av hjärt- respektive respirationscyklerna. Dessa jämfördes med triggerpunkter uppmätta med EKG och andningskudde i magnetkameran. Slutsatsen för projektet var att SG signalerna som baserades på k-space data var funktionell för de scanningar som testades och det mest effektiva alternativet, men SG signalerna som baserades på bilder kan visa sig fungera efter mer studier.

No description available.