Dr. Tobias Kluth

Projekte

1. DFG-Graduiertenkolleg: π³ Parameter Identification – Analysis, Algorithms, Applications (01.10.2016 - 31.03.2021)
2. DFG - Bimodale Rekonstruktion und Magnetic Particle Imaging (seit 01.08.2015)

Leitung von Projekten

1. Dynamische Inverse Probleme in Magnetic Particle Imaging (D-MPI) (01.05.2020 - 30.04.2023)
2. DELETO - Maschinelles Lernen bei korrelativer MR und Hochdurchsatz-NanoCT (01.04.2020 - 31.03.2023)
3. BMBF-MPI²: Modellbasierte Parameteridentifikation in Magnetic Particle Imaging (01.12.2016 - 30.11.2019)
4. Magnetic Particle Imaging (seit 01.03.2016)

Veranstaltungen (Auswahl)vollständige Liste

1. Modeling Project (Part 1) (Sommersemester 2024)
2. Mathematik für Maschinenbau und Verfahrenstechnik (Wintersemester 2023/2024)
3. Advanced Topics in Inverse Problems (Sommersemester 2023)
4. Deep Learning for Inverse Problems (Sommersemester 2023)
5. Nonlinear Inverse Problems (Sommersemester 2023)

Abschlussarbeiten (Auswahl)vollständige Liste

1. A different approach of the Deep Image Prior on CT-Imaging (Pegah Golchian)
2. Parabolische partielle Differentialgleichungen auf Mannigfaltigkeiten (Alexander West)
3. Modellunsicherheiten im Magnetic Particle Imaging – Rekonstruktion mittels Kleinste-Quadrate-Methode (Mahir Gürsoy)
4. Joint-Motion und Bildrekonstruktion für Magnetic Particle Imaging in 2D und 3D (Dennis Zvegincev)
5. Deep Learning in der Anwendung des Magnetic Particle Imaging (Johannes Leuschner)

Publikationen (Auswahl)vollständige Liste

1. H. Albers, T. Kluth.
   Time-dependent parameter identification in a Fokker-Planck equation based magnetization model of large ensembles of nanoparticles.
   Zur Veröffentlichung eingereicht.

   online unter: https://arxiv.org/abs/2307.03560

2. C. Brandt, T. Kluth, T. Knopp, L. Westen.
   Dynamic image reconstruction with motion priors in application to 3d magnetic particle imaging.
   Zur Veröffentlichung eingereicht.

   online unter: https://arxiv.org/abs/2306.11625

3. 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

4. C. Arndt, S. Dittmer, N. Heilenkötter, M. Iske, T. Kluth, J. Nickel.
   Bayesian view on the training of invertible residual networks for solving linear inverse problems.
   Zur Veröffentlichung eingereicht.

   online unter: https://www.x-mol.net/paper/article/1682514725633245184

5. C. Arndt, A. Denker, S. Dittmer, N. Heilenkötter, M. Iske, T. Kluth, P. Maaß, J. Nickel.
   Invertible residual networks in the context of regularization theory for linear inverse problems.
   Inverse Problems, 39(12), IOPscience, 2023.

   DOI: 10.1088/1361-6420/ad0660
   online unter: https://iopscience.iop.org/article/10.1088/1361-6420/ad0660