Logo ZeTeM

Zentrum für Technomathematik

ZeTeM > Arbeitsgruppen > AG Technomathematik > Deep Learning & Inverse Probleme

Kontakt Sitemap Impressum [ English | Deutsch ]

Team für Deep Learning & Inverse Probleme (DLIP)

Das DLIP-Team forscht an der Verknüpfung von Deep Learning Verfahren mit klassischen Ansätzen aus dem Bereich der inversen Probleme. Besondere Schwerpunkte liegen auf dem datenfreien Verfahren Deep Image Prior, der Integration von physikalischem Modellwissen in die Struktur von künstlichen neuronalen Netzen und der Regularisierung. Kernanwendungen sind die Computertomographie (CT) und das Magnetic Particle Imaging (MPI).

Projekte


Autumn SchoolAutumn School

Veranstaltungen


Anwendungen

Computertomographie

CT stellt ein klassisches Beispiel für ein inverses Problem dar: Aus der Abschwächung von Röntgenstrahlen (Wirkung) soll auf die innere Verteilung des durchstrahlten Körpers oder Objekts geschlossen werden (Ursache). Diese Rekonstruktionsaufgabe wird zunehmend auch durch Deep Learning Verfahren ausgeführt.
Eine aktuelle Herausforderung ist die Reduktion der potentiell gefährlichen Strahlendosis bei gleichbleibender Rekonstruktionsqualität. Das DLIP-Team arbeitet und forscht hierbei an den folgenden Bereichen: Entwicklung von CT-Rekonstruktionsverfahren Softwareumgebung für vereinfachtes Modelltraining & Vergleich Benchmark-Datensätze für den Modellvergleich

Magnetic Particle Imaging

Magnetic Particle Imaging ist eine noch relative junge bildgebende Technik, welche derzeit noch nicht in der alltäglichen medizinischen Praxis Einzug gehalten hat. Die grundlegende Idee ist es dem Patienten magnetisch Nanoteilchen, sogenannte Tracer, zu spritzen und ihre Konzentration im Körper mit Hilfe von außen angelegter Felder zu Orten. Zwei große Vorteile dieser Technik sind, dass sie ohne Strahlenbelastung auskommt und sie eine hohe zeitliche Auflösung besitzt. Derzeit besitzt diese Technologie mindestens zwei große Herausforderungen. 1. Eine detaillierte mathematische Modellierung des Messprozesses derzeit noch eine Herausforderung. 2. Aufgrund einer derzeit nur spärlichen Datenlage sind viele der derweil gebräuchlichsten Data-driven Methoden nicht direkt anwendbar.

CT - Parallel beamCT - Parallel beam

Software & Datensätze

Dival

Die Deep Inversion Validation Library, kurz Dival, ist eine Python-Programmbibliothek für den komfortablen Einsatz und Vergleich von Deep Learning Verfahren für inverse Probleme. Der aktuelle Schwerpunkt der Software liegt im Bereich der Computertomographie. Dival ist über den populären Paketmanager PyPI verfügbar. Der Programmcode steht zusätzlich auf Github bereit.

LoDoPaB-CT

Der Low-Dose Parallel Beam (LoDoPaB)-CT Datensatz ist eine umfangreiche Sammlung von Messungen und Referenzrekonstruktionen für das Training und den Benchmark von Deep Learning Rekonstruktionsverfahren für strahlungsreduzierte Scanszenarien. Er beinhaltet über 40000 Scanschnitte von mehr als 800 verschiedenen Patienten. Der Datensatz ist öffentlich auf Zenodo verfügbar. Eine einfache Verwendung ist durch die Dival-Bibliothek gewährleistet. Zusätzlich lässt sich die Performance trainierter Modelle anhand einer Online-Challenge mit anderen Verfahren vergleichen.

Das Team


Sören Dittmer 
Raum: MZH 2050
Telefon: (0421) 218-63806
E-Mail: sdittmer@math.uni-bremen.de
Maximilian Schmidt 
Raum: MZH 2450
Telefon: 218-63826
E-Mail: maximilian.schmidt@uni-bremen.de
Johannes Leuschner 
Raum: MZH 2050
Telefon: 218-63811
E-Mail: jleuschn@uni-bremen.de
Dr. Tobias Kluth 
Raum: MZH 2090
Telefon: 218-63817
E-Mail: tkluth@math.uni-bremen.de
Rudolf Herdt

Veröffentlichungen


  1. A. Denker, M. Schmidt, J. Leuschner, P. Maaß, J. Behrmann.
    Conditional Normalizing Flows for Low-Dose Computed Tomography Image Reconstruction.
    ICML Workshop on Invertible Neural Networks, Normalizing Flows, and Explicit Likelihood Models, 18.07-18.07.2020, Wien, Österreich.

    online unter: https://invertibleworkshop.github.io/accepted_papers/index.html

  2. S. Dittmer, T. Kluth, M. Henriksen, P. Maaß.
    Deep image prior for 3D magnetic particle imaging: A quantitative comparison of regularization techniques on Open MPI dataset.
    Zur Veröffentlichung eingereicht.

    online unter: https://arxiv.org/abs/2007.01593

  3. S. Dittmer, C. Schönlieb, P. Maaß.
    Ground Truth Free Denoising by Optimal Transport.
    Zur Veröffentlichung eingereicht.

    online unter: https://arxiv.org/abs/2007.01575

  4. D. Otero Baguer, J. Leuschner, M. Schmidt.
    Computed Tomography Reconstruction Using Deep Image Prior and Learned Reconstruction Methods.
    Inverse Problems, 36(9), IOPscience, 2020.

    DOI: https://doi.org/10.1088/1361-6420/aba415

  5. S. Dittmer, P. Maaß.
    A Projectional Ansatz to Reconstruction.
    Zur Veröffentlichung eingereicht.

    online unter: https://arxiv.org/abs/1907.04675

  6. J. Leuschner, M. Schmidt, D. Otero Baguer, P. Maaß.
    The LoDoPaB-CT Dataset: A Benchmark Dataset for Low-Dose CT Reconstruction Methods.
    Zur Veröffentlichung eingereicht.

    online unter: arXiv:1910.01113

  7. S. Dittmer, T. Kluth, P. Maaß, D. Otero Baguer.
    Regularization by architecture: A deep prior approach for inverse problems.
    Journal of Mathematical Imaging and Vision, :456-470, Springer Verlag, 2020.

    DOI: 10.1007/s10851-019-00923-x
    online unter: http://link.springer.com/article/10.1007/s10851-019-00923-x