In der klinischen Magnetresonanztomographie (MRT) spielt neben dem Bildkontrast und der räumlichen Auflösung, die Messzeit eine sehr wichtige Rolle. Auf Grund schneller Bildgebungsmethoden und technischer Fortschritte in der Geräteentwicklung konnten die Aufnahmezeiten bis auf wenige Sekunden reduziert werden. Somit wurde die MRT zu einem der wichtigsten Verfahren in der klinischen Diagnostik. Der größte Fortschritt für eine weitere Verkürzung der Aufnahmezeiten erfolgte durch die Einführung von Partiell-Parallelen-Akquisitions (PPA) Techniken in den späten 1990er Jahren. Inzwischen sind PPA-Verfahren etabliert und stehen auch für den Einsatz im klinischen Alltag zur Verfügung. Die Grundlage aller PPA-Verfahren bildet eine Anordnung von mehreren Empfangsdetektoren, welche gleichzeitig und unabhängig voneinander ein Objekt abbilden. Das Signal jedes einzelnen Detektors enthält dabei je nach Position eine gewisse räumliche Information. Eine Messzeitverkürzung wird im Allgemeinen dadurch erzielt, dass die Menge der aufzunehmenden Daten reduziert wird. Dies führt zu Fehler behafteten Bildern auf Grund von fehlenden Daten. Alle gängigen PPA-Verfahren benutzen die in der Detektoranordnung inhärente räumliche Information, um mit geeigneten Algorithmen die Fehler behafteten Bilder zu korrigieren. Die beiden erfolgreichsten Ansätze stellen momentan das "Sensitivity Encoding" (SENSE) Verfahren und die "Generalized Autocalibrating Partially Parallel Acquisitions" (GRAPPA) Methode dar. Die Leistungsfähigkeit von PPA-Methoden ist allerdings beschränkt. Zunächst begrenzt die Anzahl der Einzeldetektoren den maximal erreichbaren Messzeitgewinn. Weiterhin führt der Einsatz von PPA-Verfahren zu einer Verringerung des Signal-zu-Rausch-Verhältnis (englisch: signal-to-noise ratio, SNR). Im Allgemeinen ist das SNR um den Faktor der Wurzel des Beschleunigungsfaktors verringert. Ein zusätzlicher SNR-Verlust entsteht durch den Rekonstruktionsprozess und ist stark abhängig von der geometrischen Anordnung der Detektoren. Auf Grund dieser Verluste ist der Einsatz von PPA-Methoden auf Applikationen mit bereits hohem intrinsischen SNR beschränkt. In dieser Arbeit werden Erweiterungen von PPA-Verfahren vorgestellt, um deren Leistungsfähigkeit weiter zu verbessern. Der Schwerpunkt liegt dabei auf der selbstkalibrierenden GRAPPA-Methode, welche die fehlenden Daten im reziproken Bildraum, dem so genannten k-Raum, rekonstruiert. Zunächst wird der Einsatz von GRAPPA für die 3D-Bildgebung beschrieben. In der 3D-Bildgebung ist es für die Rekonstruktionsqualität von PPA-Methoden vorteilhaft, die Daten entlang zweier Raumrichtungen zu reduzieren. GRAPPA war bisher auf Experimente mit Datenrekonstruktion in nur einer Richtung beschränkt. Es wird gezeigt, dass sich durch Kombination mit SENSE der Vorteil einer zwei-dimensionalen Datenreduktion erstmals auch für GRAPPA benutzen lässt. Weiterhin wird eine Neuformulierung der GRAPPA-Rekonstruktion als Matrixoperation vorgestellt. Dieser Formalismus wird als GRAPPA-Operator Formalismus bezeichnet und erlaubt es, ein gemessenes Signal im k-Raum zu verschieben, um fehlende Daten zu rekonstruieren. Eigenschaften und Beziehungen zwischen unterschiedlichen Verschiebungen werden beschrieben und daraus resultierende Anwendungen für die 2D- und 3D-Bildgebung präsentiert. Im Allgemeinen arbeiten alle konventionellen PPA-Verfahren ausschließlich auf der Rekonstruktionsseite. Somit ist die Bildqualität und damit der erzielbare Messzeitgewinn nur durch die Geometrie der Detektoranordnung beeinflussbar. In der Mehrschicht-MRT lässt sich diese Abhängigkeit von der Detektoranordnung reduzieren, indem Bildartefakte bereits während der Datenaufnahme gezielt verändert werden. Auf diese Weise kann der SNR-Verlust aufgrund des Rekonstruktionsprozesses minimiert werden. Dieses Konzept der kontrollierten Einfaltungen (englisch: Controlled Aliasing in Parallel Imaging Results in Higher Acceleration, CAIPIRINHA) wird für den Einsatz in der dynamischen Herzbildgebung vorgestellt. Bei geringen Beschleunigungsfaktoren kann mit CAIPIRINHA im Gegensatz zu den üblichen PPA-Verfahren eine Bildqualität erzielt werden, welche keine signifikanten Einbußen gegenüber konventionellen Experimenten aufweist.

Automated analysis of the inner ear anatomy in radiological data instead of time-consuming manual assessment is a worthwhile goal that could facilitate preoperative planning and clinical research. We propose a framework encompassing joint semantic segmentation of the inner ear and anatomical landmark detection of helicotrema, oval and round window. A fully automated pipeline with a single, dual-headed volumetric 3D U-Net was implemented, trained and evaluated using manually labeled in-house datasets from cadaveric specimen (N = 43) and clinical practice (N = 9). The model robustness was further evaluated on three independent open-source datasets (N = 23 + 7 + 17 scans) consisting of cadaveric specimen scans. For the in-house datasets, Dice scores of 0.97 and 0.94, intersection-over-union scores of 0.94 and 0.89 and average Hausdorf distances of 0.065 and 0.14 voxel units were achieved. The landmark localization task was performed automatically with an average localization error of 3.3 and 5.2 voxel units. A robust, albeit reduced performance could be attained for the catalogue of three open-source datasets. Results of the ablation studies with 43 mono-parametric variations of the basal architecture and training protocol provided task-optimal parameters for both categories. Ablation studies against single-task variants of the basal architecture showed a clear performance beneft of coupling landmark localization with segmentation and a dataset-dependent performance impact on segmentation ability.