Die Segmentierung von Strukturen ist ein entscheidender erster Schritt in jeder quantitativen Bildanalyse. In unserer Gruppe entwickeln wir robuste und anpassungsfähige Segmentierungsansätze für eine Vielzahl von Anwendungsbereichen. Während der Schwerpunkt auf materialwissenschaftlichen und medizinischen Bilddaten liegt, sind die Methoden so konzipiert, dass sie übertragbar sind und sich leicht auf neue Datensätze anwenden lassen.

Zur Überwindung der begrenzten Verfügbarkeit annotierter Bilddaten werden synthetische Trainingsdaten für überwachte Segmentierungsaufgaben erzeugt. Binäre Strukturen werden mithilfe eines GAN generiert und anschließend mit einem CycleGAN verfeinert, um realistische Rausch- und Texturinformationen hinzuzufügen. Auf diese Weise werden hochrealistische Trainingsdaten erstellt, die die Entwicklung robuster Segmentierungsmodelle unterstützen.

Super-Resolution-Methoden werden eingesetzt, um die Auflösung volumetrischer oder zweidimensionaler Bilddaten zu verbessern. In der volumetrischen Magnetresonanztomographie (MRT) stellt insbesondere die geringe Auflösung in Durchschichtrichtung eine häufige Einschränkung für weiterführende Analysen dar. Zur Lösung dieses Problems wird ein überwachter VAE–GAN-Ansatz verwendet, mit dem realistische hochauflösende Trainingsdaten erzeugt werden. Dadurch wird eine zuverlässige Super-Resolution-Rekonstruktion ermöglicht und die Robustheit der volumetrischen MRT-Segmentierung verbessert.

Die Ereigniserkennung ist eine zentrale Aufgabe bei der Verarbeitung zeitlicher Bildsequenzen. In der dynamischen kontrastmittelverstärkten Magnetresonanztomographie (DCE-MRT) der Lunge muss beispielsweise die Atembewegung identifiziert und entfernt werden, um eine aussagekräftige nachgelagerte Analyse zu ermöglichen. Zur Automatisierung dieses Schrittes werden lernbasierte Modelle eingesetzt, die die respiratorische Bewegung auch unter variierenden Bildkontrastbedingungen zuverlässig erkennen.

Zur zuverlässigen Quantifizierung geometrischer Eigenschaften in digitalen Materialzwillingen steht ein breites Spektrum an Analysemethoden zur Verfügung. Kenngrößen wie Porosität, Wanddicke und Porenradius können mit hoher Genauigkeit bestimmt werden und ermöglichen eine detaillierte Beschreibung der zugrunde liegenden Mikrostruktur. Diese quantitativen Deskriptoren bilden eine wesentliche Grundlage für die Ableitung von Struktur-Eigenschafts-Beziehungen und die Unterstützung datengetriebener Materialanalysen.

Zur Extraktion höherdimensionaler Deskriptoren aus Mikrostrukturen werden datengetriebene Analysemethoden eingesetzt. Statistische Kenngrößen wie Zwei-Punkt-Korrelationsfunktionen in Kombination mit einer Hauptkomponentenanalyse sowie neuronale netzwerkbasierte Ansätze ermöglichen die Identifikation latenter struktureller Merkmale. Diese Repräsentationen unterstützen die Clusterbildung und den Vergleich von Mikrostrukturen und liefern vertiefte Einblicke in zugrunde liegende Struktur-Eigenschafts-Beziehungen.

Zur Beschleunigung der Simulation des Benetzungsverhaltens in porösen Membranen werden Porennetzwerkmodelle aus digitalen Membranzwillingen extrahiert. Diese Modelle liefern eine vereinfachte, zugleich jedoch aussagekräftige Darstellung des Porenraums, ermöglichen schnellere Simulationen und erlauben die effiziente Analyse größerer Materialdomänen, während die wesentlichen Eigenschaften der zugrunde liegenden Mikrostruktur erhalten bleiben.

Zur Quantifizierung der Perfusion in der dynamischen kontrastmittelverstärkten Magnetresonanztomographie (DCE-MRT) der Lunge wird eine automatisierte Pipeline entwickelt. Auf Basis eines mathematischen Modells wird die Residuenfunktion aus 3D+t-Lungenmessungen durch Dekonvolution des Subtraktionsbildes mit der arteriellen Inputfunktion bestimmt. Diese Residuenfunktion wird anschließend zur Berechnung quantitativer Perfusionskarten verwendet, einschließlich Parametern wie dem pulmonalen Blutfluss (PBF) und dem Anteil von Perfusionsdefekten (QDP).

Zur Erzeugung anpassbarer Mikrostrukturen werden Diffusionsmodelle eingesetzt. Auf Basis segmentierter und rekonstruierter Materialzwillinge werden Diffusionsmodelle trainiert, um synthetische, hochrealistische Mikrostrukturmodelle von Materialien zu generieren. Durch die Konditionierung des Generierungsprozesses können die Eigenschaften der erzeugten Mikrostrukturen gezielt vorgegeben werden.

Zur Synthese einer Vielzahl von Mikrostrukturen werden geometrische Strukturgenerierungsmethoden eingesetzt, darunter Membranen, Schäume, Partikelpackungen für geologische und batteriebezogene Anwendungen sowie tripel-periodische Minimalflächen. Algorithmische Ansätze ermöglichen eine gezielte Kontrolle struktureller Merkmale, sodass zentrale Eigenschaften direkt über Modellparameter angepasst werden können.