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.
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
