49. Jahrestagung der Deutschen Gesellschaft für Medizinische Physik
21. Jahrestagung der Deutschen Sektion der ISMRM

19.–22. September 2018 • Nürnberg

49. Jahrestagung der Deutschen Gesellschaft für Medizinische Physik
21. Jahrestagung der Deutschen Sektion der ISMRM

19.–22. September 2018 • Nürnberg

Kongressdetails

Downloads

Online Programm

Print-File

Refresherkurse

Refresherkurs 1 – Strahlenbiologie: Grundlagen
Uhrzeit: 7:45–8:30 Uhr
Raum: Kleiner Saal
Referent: Luitpold Distel (Erlangen)


Refresherkurs 2 – Grundlagen CT Rekonstruktion
Uhrzeit: 7:45–8:30 Uhr
Raum: Konferenzraum 7
Referent: Marc Kachelrieß (Heidelberg)

Abstract
CT-Volumina werden üblicherweise mit analytischer oder mit iterativer Bildrekonstruktion berechnet. Analytische Verfahren basieren auf der analytischen Inversion des kontinuierlichen Bildgebungsmodells, gefolgt von einer Diskretisierung der Lösungsformel. Das bekannteste und am häufigsten eingesetzte analytische Rekonstruktionsverfahren ist die gefilterte Rückprojektion (FBP). Die FBP ist ein robuster, schneller und speichereffizienter Algorithmus. Leider können nur einfache Modelle analytisch invertiert werden so dass Abweichungen zum realen CT-System bestehen die entweder zu Artefakten, zu schlechterer Auflösung oder zu höherem Bildrauschen führen können. Iterative Verfahren hingegen starten mit der Diskretisierung der Systemmatrix so dass ein hochdimensionales lineares oder nichtlineares Gleichungssystem entsteht, dessen O(10^8) Unbekannte die CT-Werte der einzelnen Voxel sind. Ziel der iterativen Rekonstruktion ist die Berechnung eines Volumens, dessen Vorwärtsprojektion virtuelle Rohdaten liefert, die den gemessenen Rohdaten möglichst ähnlich sind. Selbst im linearen Fall lässt sich das Gleichungssystem nicht direkt, sondern nur durch iterative Vorgehensweise lösen. Der bekannteste Vertreter der iterativen Rekonstruktion ist die algebraische Rekonstruktionstechnik (ART). Nachteilig ist die hohe Rechenzeit solch eines Algorithmus, da zur näherungsweisen Konvergenz viele Iterationen bestehend aus Rückprojektion und Vorwärtsprojektion nötig sind. Der Vorteil der iterativen Rekonstruktion ist, dass physikalische (Strahlprofil, Strahlaufhärtung, Streustrahlung, Extrafokalstrahlung, …) und statistische (Poissonstatistik der Röntgenquanten, Elektronikrauschen des Detektors, …) Eigenschaften des Bildgebungsmodells beliebig genau modelliert werden können, so dass letztendlich Bilder mit weniger Artefakten, höherer Auflösung oder weniger Rauschen entstehen. Aufgrund der hohen Rechenzeit werden in der praktischen Anwendung hybride Algorithmen eingesetzt, die teils eine iterative Anwendung der FBP mit sehr wenig Iterationen realisieren und teils den Schwerpunkt der Rechenoperationen auf den Bildraum legen. Letzteres entspricht einer kantenerhaltenden Glättung der CT-Volumina. Dieser Refresherkurs vermittelt die Grundlagen der analytischen und iterativen Bildrekonstruktion für Kreis- und Spiralscans.

Refresherkurs 3 – Magnetresonanztomographie
Uhrzeit: 7:45–8:30 Uhr
Raum: Konferenzraum 7
Referent: Tristan Kuder (Heidelberg)


Refresherkurs 4 – Nuklearmedizin: Dosisberechnung Personal, RiPhyKo
Uhrzeit: 7:45–8:30 Uhr
Raum: Konferenzraum 2
Referent: Jens Kurth (Rostock)

Refresherkurs 5 – Dosimetrie: Grundlagen
Uhrzeit: 8:15–9:00 Uhr
Raum: Konferenzraum 7
Referent: Klemens Zink (Gießen, Marburg, Frankfurt a. M.)


Refresherkurs 6 – Deep Learning in der Medizinischen Bildverarbeitung
Uhrzeit: 8:15–9:00 Uhr
Raum: Konferenzraum 2
Referent: Andreas Maier (Erlangen)

Abstract
Einleitung
Deep Learning verändert im Moment viele Bereiche der Bildverarbeitung [1,2]. Anwendungen reichen von perzeptiven Anwendungen, wie Organ- und Anatomiedetektion [3,4] bis hin zur Bildrekonstruktion [5].

Material & Methoden
In diesem Beitrag werden Grundlagen des Deep Learnings vermittelt und wesentliche Fortschritte in den letzten Jahren vorgestellt. Weiterhin, wird eine neue Methode vorgestellt, mit der es möglich ist die neuen Methoden des Deep Learnings mit traditionellen Methoden der Physik und Signalverarbeitung zu kombinieren – das sogenannte Precision Learning [6].

Ergebnisse
Neben herkömmlichen Anwendungen des Deep Learnings, können wir zeigen, dass das Einbetten von physikalischem Vorwissen den Maximalfehler eines neuronalen Netzes reduziert. Weiterhin kann durch das Vorwissen die Zahl der tiefen Modelle reduziert werden und reduziert damit die Zahl der benötigten Trainingsdaten. Dies ermöglicht Verbesserungen in Anwendungen von Materialzerlegung über CT Rekonstruktion bis hin zur Entdeckung von neuen Algorithmen, deren Herleitung durch Deep Learning unterstützt wird.

Zusammenfassung
Die Kombination von Deep Learning mit physikalischem Wissen erscheint vielversprechend und ebenet den Weg für neue Arbeiten, die beide Welten mit einander kombinieren können. Wir erwarten, dass diese Technik für besseres Verständnis von neuronalen Netzen liefern wird und damit Deep Learning zu einer verlässlichen Technologie für die Medizintechnik werden wird.

Literatur
[1] J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei, “Imagenet: A large-scale hierarchical image database,” in Computer Vision and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on. IEEE, 2009, pp. 248–255.
[2] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 779–788.
[3] F. C. Ghesu, E. Krubasik, B. Georgescu, V. Singh, Y. Zheng, J. Hornegger, and D. Comaniciu, “Marginal space deep learning: efficient architecture for volumetric image parsing,” IEEE transactions on medical imaging, vol. 35, no. 5, pp. 1217–1228, 2016.
[4] M. Aubreville, M. Krappmann, C. Bertram, R. Klopfleisch, and A. Maier, “A Guided Spatial Transformer Network for Histology Cell Differentiation,” in Eurographics Workshop on Visual Computing for Biology and Medicine, T. E. Association, Ed., 2017, pp. 021–025. [Online]. www5.informatik.uni-erlangen.de/Forschung/Publikationen/2017/Aubreville17-AGS.pdf
[5] T. Würfl, M. Hoffmann, V. Christlein, K. Breininger, Y. Huang, M. Unberath, A. K. Maier. Deep learning computed tomography: Learning projection-domain weights from image domain in limited angle problems. IEEE Transactions on Medical Imaging 37(6): 1454-1463. 2018
[6] A. Maier, F. Schebesch, C. Syben, T. Würfl, S. Steidl, J.-H. Choi, R. Fahrig. Precision Learning: Towards Use of Known Operators in Neural Networks. Proceedings International Conference on Pattern Recognition ICPR 2018. To appear. arxiv.org/abs/1712.00374