CT, MRT & Co. durch Maschinelles Lernen verbessern

Bildgebende Verfahren wie die Magnetresonanz-Tomografie (MRT) oder die Computertomografie (CT) sind in der Medizin und der Materialprüfung von sehr großer Bedeutung. Wissenschaftler um Professor Thomas Schuster wollen nun mathematische Verfahren entwickeln, die die Leistungsfähigkeit der Geräte mithilfe intelligenter Algorithmen deutlich steigern soll.

Künstliche Intelligenz (KI), Big Data, Maschinelles Lernen: Diese Schlagworte, die derzeit auch in großen Publikumsmedien die Runde machen, verbinden die meisten Menschen wohl mit Themen wie dem Autonomen Fahren, der automatisierten Gesichtserkennung oder der Analyse ihres Konsumverhaltens im Internet. In einem vom BMBF geförderten Projekt soll nun KI, speziell das Maschinelle Lernen, bildgebende tomographische Verfahren entscheidend voranbringen.

Dieses Ziel haben sich Mathematiker aus Saarbrücken, Erlangen und Bremen sowie 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 Wissenschaftler um den federführenden Mathematik-Professor Thomas Schuster von der Universität des Saarlandes blicken dabei insbesondere auf das so genannte „Deep Learning“.

Mit diesem Begriff beschreiben Experten Algorithmen, die imstande sind aus simulierten oder gemessenen Trainingsdaten ein komplexes Geflecht, bestehend aus Eingabe-, Ausgabe- und inneren Schichten, zu entwickeln, das als eine Art künstliches neuronales Netz funktioniert. 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-Computertomografie, 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 z.B. 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“, so die Einordnung von Thomas Schuster, der Experte für inverse Probleme ist, zu denen auch tomografische Bildgebungsverfahren gehören.

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 Siemens Healthineers, die ProCon X-Ray GmbH und das Radiologische Institut des Universitätsklinikums Erlangen ihre Expertise bei.

Das Bundesministerium für Bildung und Forschung (BMBF) unterstützt das Projekt „DELETO - Deep Learning in Tomography” ab April 2020 mit rund 800.000 Euro für drei Jahre. Rund 350.000 Euro davon fließen an die Universität des Saarlandes.

Quelle: Universität des Saarlandes

12.03.2020

Mehr zu den Themen: