Wir entwickeln Methoden der künstlichen Intelligenz, um Magnetresonanz schneller, robuster und quantitativer zu machen.
Unser Fokus liegt auf der Verbindung von Physik, MR-Akquisition und Deep Learning.
Wir arbeiten insbesondere an KI-basierten Methoden für MR-spektroskopische Bildgebung, nicht-kartesische Rekonstruktion, spektrales Fitting und die Korrektur von Bewegungs- und Feldartefakten. Dabei kombinieren wir moderne neuronale Netzwerke mit physikalischem Vorwissen, um metabolische Informationen aus MR-Daten schneller und zuverlässiger zugänglich zu machen.
Unsere Forschung umfasst unter anderem Super-Resolution für MRSI, k-Space-basierte Rekonstruktion, geometrisches Deep Learning, physik-informierte Encoder für spektrales Fitting sowie die Vorhersage von bewegungsbedingten B0-Feldänderungen im Gehirn bei 7T.
Wir arbeiten eng an der Schnittstelle zwischen MR-Physik, medizinischer Bildgebung und künstlicher Intelligenz. Unser Ziel ist es, neue Methoden zu entwickeln, die nicht nur technisch innovativ sind, sondern auch den Weg zu schnelleren, genaueren und klinisch relevanteren MR-Untersuchungen eröffnen.
Unser Team ist ständig offen für motivierte Studierende, Doktorand und Forschende mit Interesse an MRI, MRSI, Deep Learning, Rekonstruktion und quantitativer Bildgebung.
Stanislav Motyka
GruppenleiterORCID: 0000-0002-6314-316X
stanislav.motyk@meduniwien.ac.at
Aaron Osburg
Hauke Fisher
Mohammad Khosravi
Anna Petrova
Bernardo Campliho
Anton Altmeyer
KI-gesteuerte Echtzeit-Bewegungs- und B0-Feldkorrektur (2026)
Einzelprojekte FWF 455.361 € PI: Stanislav Motyka
- Shamaei, A. et al. (2026) ‘PHIVE: A physics-informed variational encoder enables rapid spectral fitting of brain metabolite mapping at 7T’, Medical Image Analysis. Available at: https://doi.org/10.1016/j.media.2026.104014
- Osburg, A.P. et al. (2025) ‘A deep autoencoder for fast spectral-temporal fitting of dynamic deuterium metabolic imaging data at 7T’, NeuroImage. Available at: https://doi.org/10.1016/j.neuroimage.2025.121632
- Weiser, P.J. et al. (2025) ‘WALINET: A water and lipid identification convolutional neural network for nuisance signal removal in 1H MR spectroscopic imaging’, Magnetic Resonance in Medicine. Available at: https://doi.org/10.1002/mrm.30402
- Weiser, P.J. et al. (2025) ‘Deep-ER: Deep Learning ECCENTRIC Reconstruction for fast high-resolution neurometabolic imaging’, NeuroImage. Available at: https://doi.org/10.1016/j.neuroimage.2025.121045
- Motyka, S. et al. (2024) ‘Predicting dynamic, motion-related changes in B0 field in the brain at a 7T MRI using a subject-specific fine-trained U-net’, Magnetic Resonance in Medicine. Available at: https://doi.org/10.1002/mrm.29980
- Motyka, S. et al. (2021) ‘k-Space-based coil combination via geometric deep learning for reconstruction of non-Cartesian MRSI data’, Magnetic Resonance in Medicine. Available at: https://doi.org/10.1002/mrm.28876
- Iqbal, Z. et al. (2019) ‘Super-Resolution 1H Magnetic Resonance Spectroscopic Imaging Utilizing Deep Learning’, Frontiers in Oncology. Available at: https://doi.org/10.3389/fonc.2019.01010