Erforschung der theoretischen Grenzen des Lernens mit bekannten Operationen und seiner Anwendungen in der bewegungskompensierten Bildrekonstruktion

• Antragsteller: Professor Dr.-Ing. Andreas Maier
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Medizinische Physik, Biomedizinische Technik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 565055367

In diesem Projekt untersuchen wir das Konzept des Lernens mit bekannten Operationen, d. h. die Integration von Vorwissen in maschinelle Lernverfahren. Es hat sich gezeigt, dass solches Vorwissen die maximalen Trainingsfehlergrenzen reduziert. Der Beweis wurde für Feedforward-Netzwerke beliebiger Tiefe erbracht. Von besonderem Interesse für das Lernen mit Vorwissen sind physikalische Prozesse, die Wissen in mathematischer Form liefern. Funktionen oder Operationen mit analytischen Ableitungen können problemlos in neuronale Netzwerke integriert werden. Viele physikalische Probleme werden in Form von partiellen Differentialgleichungen beschrieben und Inversionstechniken werden verwendet, um einen Startpunkt aus experimentell gewonnenen physikalischen Messungen zu rekonstruieren. Ein Bereich, in dem bekannte Operatoren zunehmend beliebter werden, ist die medizinische Bildrekonstruktion. Einerseits ermöglichen bekannte Operatoren die Verwendung von physikalischem Wissen, was die Anzahl der freien Parameter und damit die Menge der erforderlichen Trainingsdaten reduziert. Andererseits ist die medizinische Bildgebung ein Bereich, der hohe Sicherheitsstandards erfordert, für die bekannte Operatoren hinsichtlich der Reduzierung von Trainingsfehlern und der Interpretierbarkeit gut geeignet sind. Daher scheinen medizinische inverse Probleme eine ideale Wahl für die Anwendung des Lernens mit Vorwissen zu sein. Inverse Probleme wie die Rekonstruktion medizinischer Bilder werden jedoch häufig mit iterativen Ansätzen gelöst, die derzeit nicht von der bisherigen Theorie abgedeckt werden. Daher erscheint die theoretische Untersuchung dieser Probleme vielversprechend, um die grundlegenden Einschränkungen und Anforderungen solcher Deep-Learning-Rekonstruktionsansätze zu verstehen. Darüber hinaus bergen reale klinische Systeme wie C-Bogen-Systeme eine Vielzahl klinischer Herausforderungen wie Patientenbewegungen, die noch nicht mit dem Lernrahmen mit Vorwissen kompatibel sind. Die Entwicklung solcher Theorien und Anwendungen wird die Klarheit hinsichtlich der klinischen Sicherheit dieser Ansätze erhöhen, die für die Patientensicherheit möglicherweise ebenso relevant sind wie die Feststellung der Strahlendosis.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: USA
• Kooperationspartner: Professor Adam Wang, Ph.D.