Az utóbbi évek egyik legjelentősebb és legdinamikusabban fejlődő orvosi képalkotó modalitása a Mágneses Rezonancia Képalkotás (MRI). Az ionizáló sugárzás hiányán túl az MRI nagy előnye, hogy változatos képalkotási eljárások, ún. pulzusszekvenciák alkalmazásával különböző kontrasztokat érhetünk el, többféle strukturális és funkcionális információt nyerhetünk a páciensből.

A hagyományos MR képalkotás egyik hátránya, hogy meglehetősen sokáig tart az adatgyűjtés. Ennek javítására, a mérés gyorsítására szolgáló eljárások nagy csoportja az ún. parallel imaging (párhuzamos képalkotás), melyben csupán a szükséges adat töredékét mérjük meg, a hiányzó adatokat több, eltérő térbeli érzékenységi profilú mérőtekercs egyidejű használatával, azok mért adataival pótoljuk.

Az utóbbi éveknek dinamikus fejlődésnek indult gépi tanulás (Machine Learning) lehetőséget biztosít arra, hogy a hiányzó adatok szintetizálása gépi tanulási algoritmusokkal történjen. A konvolúciós neurális hálók (Convolutional Neural Netwotrks) a szintetizálás és optimálás problémáját a nemlineáris függvények terén oldják meg, emiatt a rekonstrukció zajtűrő képessége nagyban felülmúlja a hagyományos, lineáris függvények terén értelmezett rekonstrukciók megoldások teljesítményét. Mindez az extrém mértékben gyorsított pulzusszekvenciák esetében igen jelentős képminőségbeli javulást eredményezhet.

A hallgató feladata a terület irodalmának áttekintése, majd adatvezérelt, gépi tanulással megvalósított parallel imaging rekonstrukciós technika (GRAPPA) implementálása és paramétereiknek a rekonstrukcióra való hatásának vizsgálata.