Dr. Johannes Leuschner

Ehemaliger Mitarbeiter der AG Technomathematik, Research Training Group π³


Information: Email endet auf @uni-bremen.de

Forschungsgebiete

• Computertomographie
• Deep Learning
• Inverse Probleme

Veranstaltungen (Auswahl)vollständige Liste

1. Computerpraktikum (Wintersemester 2020/2021)
2. Computerpraktikum (Wintersemester 2019/2020)

Abschlussarbeiten (Auswahl)vollständige Liste

1. Modellierung von Geometrieabweichungen bei der Nano-Computertomographie (Tom Lütjen)
2. Using Neural Networks to Denoise CT Images (Rudolf Herdt)

Publikationen (Auswahl)vollständige Liste

1. M. Nittscher, M. F. Lameter, R. Barbano, J. Leuschner, B. Jin, P. Maaß.
   SVD-DIP: Overcoming the Overfitting Problem in DIP-based CT Reconstruction.
   Medical Imaging with Deep Learning (MIDL 2023), 10.07.-12.07.2023.
   

   online unter: https://2023.midl.io/papers/p014

2. C. Arndt, A. Denker, S. Dittmer, J. Leuschner, J. Nickel, M. Schmidt.
   Model-based deep learning approaches to the Helsinki Tomography Challenge 2022.
   Applied Mathematics for Modern Challenges, 1(2), 2023.

   DOI: 10.3934/ammc.2023007

3. J. Leuschner.
   Deep Learning for Computed Tomography Reconstruction: Learned Methods, Deep Image Prior, and Uncertaninty Estimation.
   Dissertationsschrift, Universität Bremen, 2023.

   DOI: 10.26092/elib/2704

4. J. Antorán, R. Barbano, J. Leuschner, J. M. Hernández-Lobato, B. Jin.
   Uncertainty Estimation for Computed Tomography with a Linearised Deep Image Prior.
   Transactions on Machine Learning Research, 12, 2023.

   online unter: https://openreview.net/forum?id=FWyabz82fH

5. T. Lütjen, F. Schönfeld, J. Leuschner, M. Schmidt, A. Wald, T. Kluth.
   Learning-based approaches for reconstructions with inexact operators in nanoCTapplications.
   Zur Veröffentlichung eingereicht.

   online unter: https://aps.arxiv.org/abs/2307.10474

© Zentrum für Industriemathematik 2008-2023