Die „Vision, Learning and Optimization“-Arbeitsgruppe um Thomas Pock hat in den letzten Jahren an der TU Graz sogenannte „Variationsnetzwerke“ (VNs) entwickelt, welche die Vorteile von traditionellen mathematischen Variationsmethoden und Deep-Learning-Methoden vereinen. In einer Zusammenarbeit mit Florian Knoll an der NYU School of Medicine wurden diese VNs auf das Problem der MRT-Rekonstruktion angewandt. Die Dissertation von Kerstin Hammernik sowie der in diesem Rahmen verfasste Artikel, der seit 2018 knapp 600-mal zitiert wurde, dient als Grundlage für internationale Forschungsprojekte, wie etwa die Kooperation mit Facebook AI Research am Projekt fastMRI. Als Open-Source-Projekt hat fastMRI seine Daten, Modelle und Codes veröffentlicht, damit andere Forscher*innen auf ihrer Arbeit aufbauen und neue Ideen einbringen können. Dieser offene Ansatz soll Fortschritte bei der klinischen Implementierung ermöglichen und zu neuen Möglichkeiten führen, MRT-Scans mit KI zu beschleunigen.
Deep Learning für MRT Rekonstruktion, seit 2018
Video: FacebookAI
Projektpartner*innen: Institut für Maschinelles Sehen und Darstellen/TU Graz, NYU Grossman School of Medicine, Facebook AI Research
Fördergeberin: National Institutes of Health (NIH)
Stipendien/Zuschüsse: R01EB024532, P41EB017183 und R21EB027241
Dank an Kerstin Hammernik und Florian Knoll für das Ermöglichen des Programmes vor Ort.
