Deep-Learning-basierte CBCT-Rekonstruktion beliebiger Trajektorien

• Antragsteller: Professor Dr.-Ing. Andreas Maier
• Fachliche Zuordnung: Medizinische Physik, Biomedizinische Technik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 569542899

Dieses Forschungsprojekt zielt darauf ab, die Qualität und Geschwindigkeit der Bildrekonstruktion für beliebige CT-Trajektorien deutlich zu verbessern, indem eine neuartige Alternative zu rechenintensiven iterativen Verfahren entwickelt wird. Der Ansatz basiert auf drei Kerninnovationen: erstens einer komprimierten Redundanzgewichtsmodellierung zur Erzielung niedrigdimensionaler Darstellungen, die die Konvergenz und Generalisierung über verschiedene CT-Konfigurationen hinweg verbessern; zweitens einem schnellen, verschiebungsvarianten, gefilterten Rückprojektionsframework, das auf der Methodik von Defrise und Clack aufbaut und diese erweitert, um die Effizienz sowohl in der Trainings- als auch in der Rekonstruktionsphase zu verbessern; und drittens einem auf neuronalen Netzwerken basierenden Rekonstruktionsmodell, das verschiebungsvariante Redundanzmuster erlernen kann und so eine schnelle, artefaktfreie, auf spezifische CT-Trajektorien zugeschnittene Rekonstruktion ermöglicht. Zusammen bilden diese Beiträge eine robuste und vielseitige Grundlage für die CT-Bildgebung der nächsten Generation. Das Projekt bereitet zudem den Weg für eine zweite Phase, in der durchgängig differenzierbare Modelle zur Korrektur physikalischer Artefakte – wie Streuung und Strahlaufhärtung – sowie zur direkten Optimierung von CT-Trajektorien erforscht werden, um die Bildgebungsleistung weiter zu verbessern. Der gesamte entwickelte Code wird als Open Source veröffentlicht.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: USA
• Mitverantwortliche: Dr.-Ing. Siming Bayer; Professor Dr.-Ing. Gabriel Herl
• Kooperationspartner: Professor Adam Wang, Ph.D.