DELETO

Maschinelles Lernen bei korrelativer MR und Hochdurchsatz-NanoCT

Magnetresonanz (MR)-Bildgebung ist eine der am weitesten verbreiteten Techniken der medizinischen Bildgebung. Limitationen sind die lange Dauer und die beschränkte quantitative Information, die mit den meisten MRTechniken einhergehen. Um diese Probleme zu lösen, sollen lernbasierte Verfahren kombiniert mit modellgetriebenen Ansätzen eingesetzt werden. Aus mathematischer Sicht kann die Vorwärtsabbildung in MR als eine Fouriertransformation modelliert werden mit verschiedenen Gewichtsfunktionen bei speziellen Sequenzen, die dann im Fourierraum (k-Raum) abgetastet wird. Aufgrund der langen Messdauer verschiedener Zeilen oder Kurven im k-Raum ist es ein besonderes Ziel, gute Rekonstruktionen im k-Raum zu erhalten. Dies wurde in der letzten Dekade durch Compressed Sensing oder TV-Minimierung teilweise erreicht, die aber zu einer langen Laufzeit und nicht in allen Fällen zu zufriedenstellenden Resultaten führen. In den letzten Jahren wurde damit begonnen, Lerntechniken und Daten aus gut abgetasteten MR-Scans strukturiert für die Auflösungsverbesserung einzusetzen. Diesen fehlt aber noch eine theoretische Grundlage sowie die Erweiterung auf den multimodalen Fall.

Die Hochdurchsatz-Nano-Computertomographie (NanoCT) basiert auf Transmissionsmessungen von Röntgenstrahlung im hochauflösenden Bereich (bis 60 nm). Neben der üblichen Absorptionsdarstellung können auch Phasen- und Dunkelfeldkontraste rekonstruiert werden. NanoCT erlaubt die hochgenaue Überprüfung von Materialien, wie z.B. Aluminiumlegierungen und faserverstärkten Kunststoffen, die wirtschaftlich von größter Bedeutung sind (z.B. Flugzeugbau, Automobilindustrie, Windkraftanlagen). Die Werkstoffprüfung ist von enormer Bedeutung, um Spannungs-Dehnungs-Beziehungen herzuleiten oder Aussagen über die Materialermüdung zu machen. Neue Anforderungen und Materialien erfordern immer höhere Auflösungen bei gleichzeitigem Hochdurchsatz. Es bedarf ausgeklügelter, neuartiger mathematischer Methoden, um Schwierigkeiten von derzeitigen Geräten, wie Ungenauigkeiten in der Messgeometrie, zu überwinden oder effizientere Rekonstruktionsalgorithmen bei vorliegenden Messdaten aus dem Big Data-Bereich zu entwickeln.

Maschinelles Lernen (ML) und insbesondere das Lernen von großen Neuronalen Netzen (NN), das sogenannte Deep Learning (DL), gehören derzeit zu den viralen und in der Öffentlichkeit breit diskutierten wissenschaftlichen Themen, welche Anwendungen in sehr vielen Forschungsbereichen besitzen. In dem beantragten Verbundprojekt soll die mathematische Forschung von DL bei der Lösung inverser Probleme entscheidend vorangetrieben werden, um die aufgrund der großen Datenmengen rechenaufwändigen Rekonstruktionsmethoden, basierend auf Structural Priors und Motion Correction im Bereich der korrelativen MR und der Hochdurchsatz-NanoCT, exakter und effizienter zu gestalten. Ziel ist es diese Methoden in den Geräten der nächsten Generation zu integrieren. Hierfür wird eng mit entsprechenden Industriepartnern zusammengearbeitet.

Teilprojekte

  • 05M20LBB | Teilprojekt 1 | Universität Bremen
  • 05M20TSA | Teilprojekt 2 | Universität des Saarlandes
  • 05M20WEA | Teilprojekt 3 | Friedrich-Alexander-Universität Erlangen-Nürnberg