18.03.2020

Bessere Bildgebung mit maschinellem Lernen

Neues Verbundprojekt soll mit KI tomographische Verfahren optimieren.

Künstliche Intelligenz, Big Data, maschinelles Lernen: Diese Schlagworte verbinden die meisten Menschen mit Themen wie dem Autonomen Fahren, der auto­matisierten Gesichts­erkennung oder der Analyse ihres Konsumverhaltens im Internet. In einem vom Bundesforschungs­ministerium geförderten Projekt soll nun KI, speziell das maschinelle Lernen, bildgebende tomo­graphische Verfahren entscheidend voranbringen. Dieses Ziel haben sich Mathematiker um Thomas Schuster aus Saarbrücken, sowie Kollegen aus Erlangen, Bremen und weitere Partner aus Industrie und Gesundheits­sektor gesetzt. Im Verbund­projekt „DELETO - Deep Learning in Tomography” wollen sie mathe­matische Methoden entwickeln, die in künftigen Geräte­generationen zum Einsatz kommen sollen. 

Abb.: Mathe­matiker um Thomas Schuster an der Universität des Saarlands...
Abb.: Mathe­matiker um Thomas Schuster an der Universität des Saarlands wollen tomo­graphische Verfahren durch maschi­nelles Lernen verbes­sern. (Bild: T. Mohr, U. Saarland)

Die Algorithmen sollen aus simulierten oder gemessenen Trainings­daten ein komplexes Geflecht, bestehend aus Eingabe-, Ausgabe- und inneren Schichten, ermöglichen. Das funktioniert dann als eine Art künst­liches neuronales Netz. Auf diese Weise können Computer zum Beispiel Handschriften oder Gesichter erkennen. Von Deep Learning spricht man, wenn die verwendeten neuronalen Netze nicht aus wenigen, sondern vielmehr aus mehreren hundert inneren Schichten bestehen. Im nun beginnenden Projekt möchten die Mathematiker zum einen die in der klinischen Diagnostik weit verbreitete Magnet­resonanz-Tomografie verbessern, zum anderen Modell­unsicherheiten in der Messgeometrie der Hoch­durchsatz-Nano-Computer­tomographie, die in der Materialprüfung zum Einsatz kommt, mittels erlernter Verfahren beheben. Zwar ist die Magnetresonanz-Tomografie in der jüngeren Vergangenheit deutlich verbessert worden, jedoch sind exakte Visuali­sierungen zeitabhängiger Prozesse, wie sie etwa bei kardio­logischen Untersuchungen wichtig sind, online derzeit noch außerhalb des Machbaren. Mithilfe von simulierten wie real erstellten Scans sollen neuronale Netze trainiert werden, die die Effizienz derzeitiger Rekonstruktions­methoden signifikant steigern.  

Für die Wissenschaftler ist gleichfalls von großer Bedeutung, dass sie nicht nur die Anwendungen in diesen speziellen Fällen weiter vorantreiben können. „Es geht auch darum, die mathematische Grundlagen­forschung auf dem Gebiet der inversen Probleme voranzubringen. Ein inverses Problem liegt immer dann vor, wenn aus gemessenen Daten Größen berechnet werden sollen, die nicht direkt beobachtbar sind. Die künstliche Intelligenz dringt auch in dieses Teilgebiet der Mathematik ein. Daher ist dieses Projekt auch für die mathematische Fundierung von KI-Methoden zur Lösung inverser Probleme selbst von großer Bedeutung“, sagt Thomas Schuster.

Die mathe­matische Kern­kompetenz des Konsortiums liegt dabei vor allem bei den drei wissenschaftlichen Projekt­partnern, neben der Universität des Saarlandes als federführender Einrichtung die Universitäten Bremen und Erlangen. Auf Anwender­seite steuern dabei die Unternehmen Siemens Healthineers und ProCon X-Ray sowie das Radiologische Institut des Universitäts­klinikums Erlangen ihre Expertise bei. Das BMBF unterstützt das Projekt „DELETO - Deep Learning in Tomography” ab April 2020 mit rund 800.000 Euro für drei Jahre. 

U. Saarland / JOL

Weitere Infos

Weiterbildung

Weiterbildungen im Bereich Quantentechnologie
TUM INSTITUTE FOR LIFELONG LEARNING

Weiterbildungen im Bereich Quantentechnologie

Vom eintägigen Überblickskurs bis hin zum Deep Dive in die Technologie: für Fach- & Führungskräfte unterschiedlichster Branchen.

EnergyViews

EnergyViews
Dossier

EnergyViews

Die neuesten Meldungen zu Energieforschung und -technologie von pro-physik.de und Physik in unserer Zeit.

Meist gelesen

Themen