Zum Hauptinhalt springen

Deep Learning und Inverse Probleme

Das DLIP-Team forscht an der Verknüpfung von Deep Learning Verfahren mit klassischen Ansätzen aus dem Bereich der inversen Probleme. Besondere Schwerpunkte liegen auf dem datenfreien Verfahren Deep Image Prior, der Integration von physikalischem Modellwissen in die Struktur von künstlichen neuronalen Netzen und der Regularisierung. Kernanwendungen sind die Computertomographie (CT) und das Magnetic Particle Imaging (MPI).

Computer Tomography

Software & Datensätze

Dival

Die Deep Inversion Validation Library, kurz Dival, ist eine Python-Programmbibliothek für den komfortablen Einsatz und Vergleich von Deep Learning Verfahren für inverse Probleme. Der aktuelle Schwerpunkt der Software liegt im Bereich der Computertomographie. Dival ist über den populären Paketmanager PyPI verfügbar. Der Programmcode steht zusätzlich auf Github bereit.

LoDoPaB-CT

Der Low-Dose Parallel Beam (LoDoPaB)-CT Datensatz ist eine umfangreiche Sammlung von Messungen und Referenzrekonstruktionen für das Training und den Benchmark von Deep Learning Rekonstruktionsverfahren für strahlungsreduzierte Scanszenarien. Er beinhaltet über 40000 Scanschnitte von mehr als 800 verschiedenen Patienten. Der Datensatz ist öffentlich auf Zenodo verfügbar. Eine einfache Verwendung ist durch die Dival-Bibliothek gewährleistet. Zusätzlich lässt sich die Performance trainierter Modelle anhand einer Online-Challenge mit anderen Verfahren vergleichen.

Veröffentlichungen

D. Otero Baguer, J. Leuschner, M. Schmidt.
Computed Tomography Reconstruction Using Deep Image Prior and Learned Reconstruction Methods.
Inverse Problems, 36(9), IOPscience, 2020. DOI: https://doi.org/10.1088/1361-6420/aba415


S. Dittmer, T. Kluth, P. Maaß, D. Otero Baguer.
Regularization by architecture: A deep prior approach for inverse problems.
Journal of Mathematical Imaging and Vision, :456-470, Springer Verlag, 2020. DOI: 10.1007/s10851-019-00923-x, online unter: http://link.springer.com/article/10.1007/s10851-019-00923-x

S. . Mukherjee, S. Dittmer, Z. . Shumaylov, S. Lunz, O. Öktem, C. Schönlieb.
Learned convex regularizers for inverse problems.
Zur Veröffentlichung eingereicht, online unter: https://arxiv.org/abs/2008.02839


S. Dittmer, T. Kluth, M. Henriksen, P. Maaß.
Deep image prior for 3D magnetic particle imaging: A quantitative comparison of regularization techniques on Open MPI dataset.
Zur Veröffentlichung eingereicht, online unter: https://arxiv.org/abs/2007.01593


S. Dittmer, C. Schönlieb, P. Maaß.
Ground Truth Free Denoising by Optimal Transport.
Zur Veröffentlichung eingereicht, online unter: https://arxiv.org/abs/2007.01575


S. Dittmer, P. Maaß.
A Projectional Ansatz to Reconstruction.
Zur Veröffentlichung eingereicht, online unter: https://arxiv.org/abs/1907.04675


J. Leuschner, M. Schmidt, D. Otero Baguer, P. Maaß.
The LoDoPaB-CT Dataset: A Benchmark Dataset for Low-Dose CT Reconstruction Methods.
Zur Veröffentlichung eingereicht, online unter: arXiv:1910.01113

S. Dittmer, T. Kluth, D. Otero Baguer, B. Maass.
A Deep Prior Approach to Magnetic Particle Imaging.
Machine Learning for Medical Image Reconstruction 2020. Springer International Publishing, F. Deeba, P. Johnson, T. Würfl, J. C. Ye (Hrsg.), S. 113-122, 2020.


A. Denker, M. Schmidt, J. Leuschner, P. Maaß, J. Behrmann.
Conditional Normalizing Flows for Low-Dose Computed Tomography Image Reconstruction.
ICML Workshop on Invertible Neural Networks, Normalizing Flows, and Explicit Likelihood Models, 18.07-18.07.2020, Wien, Österreich, online unter: https://invertibleworkshop.github.io/accepted_papers/index.html