Förderprojekte

Förderbeginn 01.01.2021

Deep-Learning-Rekonstruktion mit bekannten Operatoren für hochauflösende CT

Prof. Dr. Andreas Maier
Friedrich-Alexander-Universität Erlangen-Nürnberg
Lehrstuhl für Informatik 5 (Mustererkennung)

Prof. Dr. Adam Wang
Stanford University
Radiological Sciences Laboratory

Im Allgemeinen wurden von der Gruppe von Prof. Maier bereits Software-Pipelines eingerichtet, die in der Lage sind, generische End-to-End-Rekonstruktionsmodelle aus Eingabeprojektionen zu lernen, ohne das Bildgebungssystem explizit zu modellieren. Dies wird erreicht, indem überwachte Lerntechniken angewendet werden, um ein als künstliches neuronales Netzwerk formuliertes Modell zu trainieren. Wie wir jedoch gezeigt haben, wird die Leistung des Modells durch die Einbeziehung bekannter Operatoren erheblich verbessert. Wir schlagen vor, das Expertenwissen über Hardware von Bildgebungssystemen in der Gruppe von Prof. Wang in Stanford zu nutzen, um diese bekannten Operatoren in Bezug auf die räumliche Auflösung auf Algorithmen für maschinelles Lernen anzuwenden. Dies umfasst mehrere Schritte. Zunächst wird das Bildgebungssystem hinsichtlich der Größe und Form des Brennflecks, der Unschärfe des Detektors und der nominalen Erfassungsgeometrie bewertet. Der Brennfleck und die Detektorunschärfe sind stabile Effekte und werden als bekannte Operatoren aufgenommen. Zweitens wird die Erfassungsgeometrie verfeinert, da bekannt ist, dass sie aufgrund von Wackeln des Scanners und / oder Patientenbewegung von ihrer Nenngeometrie abweicht. Das PYRO-NN-Framework wird verwendet, um die Projektionsmatrizen zu lernen, die die tatsächliche Erfassungsgeometrie definieren. Darüber hinaus werden wir Bildregulierungstechniken integrieren, die eine natürlich aussehende Superauflösung fördern. Die gesamte Pipeline wird zunächst anhand simulierter Trainingsdaten entwickelt, getestet und validiert. Anschließend werden wir die vorhandenen Algorithmen, die nachweislich mit simulierten Daten arbeiten, so modifizieren, dass sie mit Bildern arbeiten, die mit Stanfords CT-Bildgebungssystemen aufgenommen wurden. Der entscheidende Punkt hierbei wird die Generierung von Trainingsdaten sein, die auf die in Stanford verwendeten Eigenschaften des Bildgebungssystems zugeschnitten sind. Wir nehmen an, dass die Kombination hervorragende hochauflösende Bilder von Stanfords Bildgebungssystemen und den neuartigen Algorithmen für maschinelles Lernen der FAU liefert.