Herr DI Dr. Florian Knoll vom Institut für Medizintechnik der Technischen Universität Graz ist der diesjährige Stefan-Schuy-Preisträger mit seiner Publikation: Parallel Imaging With Nonlinear Reconstruction Using Variational Penalties. Florian Knoll, Christian Clason, Kristian Bredies, Martin Uecker und Rudolf Stollberger. Magnetic Resonance in Medicine (DOI:10.1002/mrm.22964). Die Magnetresonanztomographie (MRT) ist die führende diagnostische Bildgebungsmodalität für eine Vielzahl von häufig auftretenden Erkrankungen. Eine der Haupteinschränkungen der MRT entsteht durch die lange Untersuchungsdauer. Der Grund für die langsame Datenaufnahme im Vergleich zu anderen Modalitäten liegt darin, dass bei der MR-Bildkodierung nur eine beschränkte Anzahl an Datenpunkten durch ein einzelnes MR-Signal aufgenommen werden kann, und die Messung mehrmals wiederholt werden muss. Die Verkürzung der Messzeit war daher seit den ersten MR-Experimenten der 1970er Jahre ein sehr aktives Forschungsgebiet und die Errungenschaften in diesem Bereich haben wesentlich zur klinischen Anwendung der MRT beigetragen. Eine Möglichkeit die Messzeit zu verringern besteht darin die Anzahl der Daten, die verwendet werden um ein Bild mit einer definierten Auflösung zu rekonstruieren, zu verringern. Da dies allerdings das Nyquist-Shannon-Abtasttheorem verletzt, führt diese Vorgehensweise zu Aliasing-Artefakten in den rekonstruierten Bildern, die im Zuge der Bildrekonstruktion entfernt werden müssen. Dies kann dadurch erreicht werden, dass zusätzliches a-priori Wissen im Zuge der Rekonstruktion verwendet wird. Beispiele sind die Verwendung von mehreren Empfangsspulen zur Aufnahme des MR-Signals (parallele Bildgebung) oder die Verwendung von speziellen Straftermen zur Regularisierung, die das Auftreten von Artefakten in den rekonstruierten Bildern verhindern. In dieser Arbeit wird ein neuer Ansatz für autokalibrierte parallele MR Bildgebung für beliebige Abtaststrategien vorgestellt, der auf dem Konzept der nichtlinearen Inversion basiert. Durch die Erweiterung des iterativ regularisierten Gauss-Newton Verfahrens mit variationsbasierten Regularisierungstermen können stark unterabgetastete Datensätze rekonstruiert werden. Dies konnte anhand von Phantom sowie in-vivo Messungen gezeigt werden, wobei zeitliche Auflösungen bis zu 38ms erreicht wurden.