Morlock, MichaelMichaelMorlock1413094900000-0002-5330-2454Loßau, TanjaTanjaLoßau2020-09-212020-09-212020-05Zuerst veröff.: ISBN 978-3-8440-7353-9, Shaker, 2020http://hdl.handle.net/11420/7331Diese Dissertation befasst sich mit der Entfernung von kardialen CT Bildgebungsartefakten verursacht durch Bewegung und Metallimplantate. Eine Kombination aus modellbasierter Datensynthese und anschließendem datengetriebenen Lernens von Methoden zur Bildverbesserung wird vorgestellt. Vorwärtsmodelle zur virtuellen Artefaktgenerierung werden unter Einbeziehung von Vorkenntnissen über die Herzanatomie und die CT-Bildgebungsphysik entwickelt. Sie bilden das Gegenstück resultierender lernbasierter Rückwärtsmodelle, welche beim Testen auf Realdaten eine signifikante Reduktion der Artefakte erzielen.This dissertation focuses on the removal of cardiac CT imaging artifacts caused by motion and metal implants. A combination of model-based data synthesis and subsequent data-driven learning of image enhancement methods is proposed. Forward models for virtual artifact generation are developed by incorporating prior knowledge about the cardiac anatomy and CT imaging physics. They form the counterpart of resulting learning-based backward models, which achieve significant reduction of artifacts during testing on real data.enhttp://rightsstatements.org/vocab/InC/1.0/Cardiac Computed TomographyImage ReconstructionArtifact QuantificationMotion CompensationMetal Artifact RemovalMachine LearningConvolutional Neural NetworkBiowissenschaften, BiologieMachine learning in cardiac CT image reconstructionDoctoral Thesis10.15480/882.290610.15480/882.2906Grass, MichaelMichaelGrassPhD Thesis