[et_pb_section fb_built=“1″ admin_label=“section“ _builder_version=“4.16″ global_colors_info=“{}“][et_pb_row _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_column type=“4_4″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_text _builder_version=“4.27.4″ _module_preset=“default“ global_colors_info=“{}“]<\/p>\n
Am Lehrstuhl f\u00fcr Medizintechnik wird in mehreren Anwendungsbereichen auf Deep Learning zur\u00fcckgegriffen:<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row column_structure=“1_3,1_3,1_3″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_column type=“1_3″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_image src=“https:\/\/www.mt.rub.de\/wp-content\/uploads\/projects\/marvin_sos_workflow.png“ title_text=“Marvin_SoS_WorkFlow“ admin_label=“Image“ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][\/et_pb_image][\/et_pb_column][et_pb_column type=“1_3″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_image src=“https:\/\/www.mt.rub.de\/wp-content\/uploads\/projects\/marvin_sos_higherres.png“ title_text=“Marvin_SoS_HigherRes“ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][\/et_pb_image][\/et_pb_column][et_pb_column type=“1_3″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_column type=“4_4″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_text _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“]Deep-Learning basierte tomographische Rekonstruktionsverfahren<\/strong><\/p>\n Die quantitative Rekonstruktion von Materialparametern mittels tomographischen Rekonstruktionverfahren wie der sogenannten Contrast Source Inversion oder durch das Kaczmarz Verfahren sind sehr rechenintensiv und zeitaufw\u00e4ndig. Der Zeitaufwand ist eine Folge daraus, dass ein inverses Problem gel\u00f6st werden muss, welches einerseits ein sogenanntes schlecht gestelltes sowie nichtlineares Problem darstellt. Zur L\u00f6sung wird bei diesen Verfahren auf ein zeitaufw\u00e4ndiges, iteratives Datenanpassungsverfahren zur\u00fcckgegriffen. Als neuartiges, alternatives Rekonstruktionsverfahren, wird zur Zeit an neuartigen Deep-Learning basierten Methoden gearbeitet. Ein sogenannten Convolutional Neural Network wird hierzu an simulierten Ultraschalldaten, bzw. an einem aus diesen Daten extrahierten Koh\u00e4renzma\u00df, zusammen mit den zu rekonstruierenden Grundwahrheiten in Form der Schallgeschwindigkeitsverteilung trainiert.<\/p>\n Das Ziel besteht darin, dass das neuronale Netz den nichtlinearen Zusammenhang zwischen gemessenen Ultraschalldaten und der Materialparameterverteilung in Form der Schallgeschwindigkeit (SoS) erlernt. Anstelle der Verwendung von Ultraschallmessungen mit ringf\u00f6rmigen, das zu bildgebende Medium umschlie\u00dfenden Transducer-Aufbauten, die f\u00fcr klassische tomographische Rekonstruktionsverfahren n\u00f6tig sind, sollen hierbei konventionelle lineare Ultraschallwandler verwendet werden. Herausforderungen bei diesem Ansatz liegen darin einen ausreichend gro\u00dfen und m\u00f6glichst realistischen Trainingsdatensatz zu erzeugen und das Verfahren von der Anwendung auf Simulationsdaten auf die Anwendung an realen Messdaten zu transferieren.<\/p>\n <\/p>\n Tissue Harmonic Imaging (THI) ist ein bekanntes und wertvolles Bildgebungswerkzeug im klinischen Ultraschall, da es im Vergleich zur klassischen B-mode Bildgebung eine bessere Kontrastaufl\u00f6sung bietet und Bildartefakte erzeugt durch Mehrfachstreuungen unterdr\u00fcckt. Die Trennung der harmonischen Signalanteile vom Gesamtsignal durch Nutzung von Hochpassfiltern kann allerdings aufgrund von Leck-Effekten zur Verschlechterung des Kontrastes oder zu einer geringeren axialen Aufl\u00f6sungen f\u00fchren. Alternative nichtlineare Mehrimpulsverfahren f\u00fcr die harmonische Bildgebung wie Amplitudenmodulation und Impulsinversion leiden hingegen unter einer geringeren Bildrate und vergleichsweise h\u00f6heren Bewegungsartefakten, da mindestens zwei Impulsechos erforderlich sind. Um dieses Problem zu l\u00f6sen, wird am Lehrstuhl f\u00fcr Medizintechnik an einem Deep-Learning-basiertem Single-Shot-Harmonic-Imaging-Verfahren gearbeitet, das eine vergleichbare Bildqualit\u00e4t wie herk\u00f6mmliche Methoden erzeugt, jedoch mit einer h\u00f6heren Bildrate und weniger Bewegungsartefakten. Das Modell wurde f\u00fcr verschiedene Ziele und Proben evaluiert, um die Verallgemeinerbarkeit sowie die M\u00f6glichkeit und die Auswirkungen des Transferlernens zu veranschaulichen. Die neuartige Deep-Learning basierte Methode ist in der Lage mit einer einzigen Messung harmonische Bilder zu erzeugen. Die Bildqualit\u00e4t dieser Ultraschallbilder \u00fcbertrifft die Qualit\u00e4t der durch lineare Filterung gewonnen Bilder und ist mit der Bildqualit\u00e4t von Multi-Puls-Erfassungen vergleichbar. Die Sonographie wird \u00fcblicherweise zur \u00dcberwachung des Einstichs einer Kan\u00fcle in menschliches Gewebe verwendet. Insbesondere bei tiefen Einstichen und steilen Einstichwinkeln ist jedoch die Sichtbarkeit der Nadel in B-Mode Bildern selten zufriedenstellend. Am Lehrstuhl f\u00fcr Medizintechnik wird auf die Verwendung von DNNs zur\u00fcckgegriffen um die nichtlinearen Informationen der injizierten Nadel zu verarbeiten. Anstelle die Information im finalen B-Mode Bild zu nutzen, die aus der \u00dcberlagerung mehrerer Messungen mit ebenen Wellen (engl. Plane Waves) unterschiedlichen Winkels entstehen, werden die Informationen in den Daten der Plane Wave Messungen direkt verwendet mit dem Ziel die Lokalisierung der Nadel zu verbessern. Aus diesem Grund wird ein Deep Learning basiertes Verfahren eingesetzt, das in der Lage ist, die Informationen aus den Einzelmessungen der verschiedenen Plane Wave Aufnamen zu extrahieren, um die Lokalisierung von Schaft und Spitze der Kan\u00fcle zu verbessern. Durch die Verwendung von separaten B-Mode Bildern, erstellt mit zus\u00e4tzlichen Messungen mit ebenen Wellen, und deren Differenzbildern wird die Visualisierung der Nadel erheblich verbessert: Der Fehler bei der Lokalisierung der Spitze wird um das 4,5-fache verringert und die Sch\u00e4tzung des Einstichwinkels um 30,6 % verbessert, verglichen mit der direkten Verwendung von B-Mode Bildern, welche aus \u00fcberlagerten Plane Wave Aufnahmen (engl. Compounded Imaging) erstellt wurden. Am Lehrstuhl f\u00fcr Medizintechnik wird in mehreren Anwendungsbereichen auf Deep Learning zur\u00fcckgegriffen:Deep-Learning basierte tomographische Rekonstruktionsverfahren Die quantitative Rekonstruktion von Materialparametern mittels tomographischen Rekonstruktionverfahren wie der sogenannten Contrast Source Inversion oder durch das Kaczmarz Verfahren sind sehr rechenintensiv und zeitaufw\u00e4ndig. Der Zeitaufwand ist eine Folge daraus, dass ein inverses Problem gel\u00f6st werden muss, welches einerseits ein […]<\/p>\n","protected":false},"featured_media":6762,"template":"","meta":{"_acf_changed":false,"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":""},"project_category":[],"class_list":["post-8547","research-project","type-research-project","status-publish","has-post-thumbnail","hentry"],"acf":[],"yoast_head":"\n
\n[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row column_structure=“3_5,2_5″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_column type=“3_5″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_text _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“]Harmonische Bildgebung im Einzelschussverfahren<\/strong><\/p>\n
\n[\/et_pb_text][\/et_pb_column][et_pb_column type=“2_5″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_image src=“https:\/\/www.mt.rub.de\/wp-content\/uploads\/projects\/deeph.png“ title_text=“DeepH“ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][\/et_pb_image][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_column type=“4_4″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_text _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“]Lernbasierte Nadellokalisierung in Ultraschallbildern<\/strong><\/p>\n
\n[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row column_structure=“3_5,2_5″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_column type=“3_5″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][et_pb_image src=“https:\/\/www.mt.rub.de\/wp-content\/uploads\/projects\/needlelocalization.png“ title_text=“NeedleLocalization“ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][\/et_pb_image][\/et_pb_column][et_pb_column type=“2_5″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":"