@phdthesis{Fey2023,
  author    = {Fey, Philipp},
  title     = {KI-gest{\"u}tzte MR-Klassifizierung von Zellen und zellul{\"a}rer Differenzierung},
  doi       = {10.25972/OPUS-34516},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-345164},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2023},
  abstract  = {F{\"u}r die Verwendung von zellbasierten Therapeutika ist vor allem die korrekt Identifikation sowohl vom Ausgangsmaterial wie auch dem produziertem Material von zentraler Wichtigkeit. In dieser Arbeit wurde eine Methodik entwickelt, welche eine nicht-invasive Klassifizierung von Zellen und zellul{\"a}rer Entwicklung aufgrund ihrer zweidimensionalen Magnetresonanz-Korrelationsspektren erm{\"o}glichte. Hierzu wurde ein mobiler MR-Scanner mit einer Feldst{\"a}rke von 0.5T und einem Isozentrum von 1 cm3 verwendet. Aufgrund der kompakten und leichten Bauweise war es m{\"o}glich, das System in normalen Zellkulturlaboren zu verwenden. Von den Proben wurde ein zweidimensionales T1/T2 -Korrelationsspektrum aufgenommen, anhand dessen die Zellen klassifiziert werden sollten. Mithilfe von Agarose-Dotagraf® -Zell- Phantomen konnte die Stabilit{\"a}t und Reproduzierbarkeit des Messsystems und der verwendeten Sequenz validiert werden. Aufgrund der unter Umst{\"a}nden recht langen Messzeiten der MR-Technologie war auch die Handhabung und Kultur der Zellproben w{\"a}hrend des Messprozesses von großer Bedeutung. Um hierf{\"u}r den Durchsatz an Proben zu erh{\"o}hen, wurde eine kosteng{\"u}nstige und ebenfalls mobile Robotikanlage entwickelt. Diese basierte auf dem kommerziell erh{\"a}ltlichen Roboterarm Braccio, welcher durch einen Arduino Mega Mikrocontroller gesteuert wurde. Mit bis zu 24 Proben pro Tag konnte durch die Automatisierung der Durchsatz an Proben um den Faktor 3 - 4 gesteigert werden. Durch den entwickelten Prozess war es m{\"o}glich, eine umfangreiche Datenbank - bestehend aus 362 unabh{\"a}ngigen Messungen (biologische Replikate) - aufzubauen. Die Datenbank enthielt Messungen von zehn unterschiedlichen Zelllinien. Zus{\"a}tzlich wurden T1/T2 -Korrelationsspektren von mesenchymalen Stromazellen (MSCs) vor und nach deren Differenzierung zu Adipocyten aufgenommen, um ihre zellul{\"a}re Entwicklung nicht-invasiv charakterisieren zu k{\"o}nnen. Die aufgenommenen Daten wurden mithilfe einer geeigneten Support Vector Machine wie auch angepassten k{\"u}nstlichen neuronalen Netzwerken klassifiziert. Mithilfe dieser Methoden konnten die Zelllinien und MSCs anhand ihrer aufgenommenen Korrelationsspektren mit einer Genauigkeit von bis zu 98\% klassifiziert werden. Diese hohe Treffsicherheit legte den Schluss nahe, dass die Kombination aus nichtinvasiver, zweidimensionaler T1/T2 -MR-Relaxometrie und der Verwendung von geeigneten Methoden des machine learning und der k{\"u}nstlichen Intelligenz eine effiziente Methodik f{\"u}r die nicht-invasive Klassifizierung von Zellen sowie zellul{\"a}rer Entwicklung darstellt.},
  subject      = {Kernspintomografie},
  language  = {de}
}