Phase 2 - Ermöglichung effizienter und zertifizierbarer Lösungen in der diagnostischen Biomechanik durch Umformulierung modellbasierter inverser Probleme.

• Antragsteller: Professor Phaedon-Stelios Koutsourelakis, Ph.D.
• Fachliche Zuordnung: Mechanik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 499746055

Die Elastographie ist eine nicht-invasive Bildgebungstechnik, die mechanische Gewebeeigenschaften anhand ihrer Reaktion auf äußere Kräfte bestimmt. Sie spielt eine Schlüsselrolle bei der Diagnose von Krankheiten wie Krebs und Leberfibrose, da Gewebesteifigkeit wichtige Indikatoren liefert. Traditionelle Methoden stoßen jedoch an Grenzen, insbesondere wegen hoher Rechenkosten und Rauschanfälligkeit. Modellbasierte inverse Ansätze verbessern die Genauigkeit durch physikalische Modelle, sind aber oft zu komplex für den breiten Einsatz. In der zweiten Projektphase optimieren wir unser Framework für mehr Skalierbarkeit, Effizienz und Praxisnähe, insbesondere für medizinische Bildgebung und Biomechanik. Unser Fokus liegt auf der Verbesserung der Lösungsqualität und Recheneffizienz in modellbasierten inversen Problemen, insbesondere der indirekten Elastographie. Diese Technik besitzt großes diagnostisches Potenzial, wird jedoch wegen hoher Rechenanforderungen bislang kaum genutzt. Zur Bewältigung dieser Herausforderungen erweitern wir unser Framework auf hochdimensionale Probleme wie 3D-Elastographie. Der Einsatz neuronaler Operator-Darstellungen erlaubt eine dynamische Modellierung unbekannter Felder und vermeidet manuelle Entscheidungen wie die Auswahl von Basisfunktionen. Adaptive Residuen-Selektion optimiert zudem die Recheneffizienz, indem nur die informativsten Daten genutzt werden. Physikbasierte Zoom-Techniken konzentrieren Rechenressourcen auf kritische Bereiche und ermöglichen so Echtzeit-Inferenz selbst auf ressourcenbegrenzten Geräten. Ein weiteres Ziel ist die Verbesserung der Benutzerfreundlichkeit, um unser Framework auch für Nicht-Experten zugänglich zu machen. Die Integration multimodaler Bildgebung erhöht die Genauigkeit und reduziert die Arbeitsbelastung. Zudem vereinfacht die Automatisierung wichtiger Interaktionsschritte die Anwendung. Langfristig streben wir Echtzeit-Elastographielösungen über klinische Umgebungen hinaus an, um den Zugang zu fortschrittlicher Diagnostik zu erweitern. Diese Weiterentwicklungen basieren auf der ersten Projektphase, in der wir die Weak Neural Variational Inference (WNVI) eingeführt haben. Diese Methode reduziert Rechenkosten erheblich, indem sie partielle Differentialgleichungen als virtuelle Beobachtungen behandelt. In der nächsten Phase treiben wir diese Innovationen weiter voran, um eine praxisnahe, skalierbare Lösung für Medizin, Ingenieurwesen und Umweltwissenschaften zu entwickeln.

• DFG-Verfahren: Sachbeihilfen