Sie befinden sich hier

Inhalt

Prof. Dr. Jürgen Hesser


Viele Fragestellungen in der Wissenschaft, insbesondere bei der Bildgebung und der Simulation, erfordern die Lösung inverser Probleme. Typische Beispiele sind die Bildsegmentierung, Bildregistrierung, Bildrekonstruktion wie die Tomographie sowie die Parameterschätzung.
Standardstrategien basieren auf dem Ansatz der Tikhonov Regularisierung, diese haben aber Limitationen, die man mit neueren Entwicklungen lösen möchte. Dazu gehören Ansätze wie Total Variation, die die Spärlichkeit in den Resultaten ausnutzen. In Bereichen wie der Tomographie gehören diese zu den besten existierenden Verfahren. Weitere Erweiterungen, die beispielsweise vor allem in unserer Arbeitsgruppe entwickelt wurden, basieren auf anisotropen Techniken, die wir erfolgreich auf medizinische und industrielle Probleme anwenden konnten.

Angrenzend an diese Technik werden verschiedene Probleme der Bildanalyse, der Visualisierung von medizinischen und nichtmedizinischen Daten sowie der numerischen Simulation von partiellen Differentialgleichungen bearbeitet.

Aufgrund dieser grundlegenden Entwicklungen ist die Arbeitsgruppe eng an das IWR und das ZITI der Universität Heidelberg sowie an die Fakultäten Physik und Astronomie sowie Mathematik und Informatik angebunden.

Die Fragestellungen der Onkologie, die wir bearbeiten, sind die Diagnostik und Therapie von Tumoren unter Verwendung bildgebender Daten. Ein typisches Beispiel ist die Echtzeit-Brachytherapie, wo wir erstmals eine Planung realisieren konnten, die diese Aufgabe ca. 3 Größenordnungen schneller löst als konventionelle Ansätze und dabei eine Lösung findet, die in der Nähe des globalen Optimums liegt. Dieses Verfahren wird in einem DFG-geförderten Projekt weiterentwickelt, um für das geplante interventionelle MR in der Klinik eine MR-gesteuerte Brachytherapie durchführen zu können.

Figure 12: Computer simulations using 40 projections of an under-sampled lung phantom and different noise contributions. From left to right and top to bottom: ML-EM-TV, ML-EM-GATV, FBP (fi lter: Ram-Lak Q!J) and the reference; SNR = 0, SNR = 100 (~ 10,000 photons ~ 0.1 mAs), SNR = 53 (~ 2,809 photons ~ 0.05 mAs) and SNR = 28 (~ 784 photons ~ 0.03 mAs). The display range for ML-EM-TY, ML-EM-GATV and the reference is [0.445 - 0.555] and for FBP [0.281 - 0.672].

Auswahl aktueller Publikationen

  1. Debatin M, Hesser J. Accurate low-dose iterative CT reconstruction from few projections by Generalized Anisotropic Total Variation minimization for industrial CT. Journal of X-ray Science and Technology. 2015;23:701–726.
  2. Guthier C, Aschenbrenner KP, Buergy D, Ehmann M, Wenz F, Hesser JW. A new optimization method using a compressed sensing inspired solver for real-time LDR-brachytherapy treatment planning. Phys Med Biol. 2015;60(6):2179-94.
  3. Shmarlouski A, Schock-Kusch D, Shulhevich Y, et al. A novel analysis technique for transcutaneous measurement of glomerular filtration rate with ultra-low dose marker concentrations. IEEE transactions on bio-medical engineering. 2015;PP(99):1 - 1.
  4. Prabhune A, Stotzka R, Jejkal T, et al. An Optimized Generic Client Service API for Managing Large Datasets within a Data Repository. In: 2015 IEEE First International Conference on Big Data Computing Service and Applications.
  5. Muders J, Hesser J. Projection-Wise Filter Optimization for Limited-Angle Cone-Beam CT Using the Approximate Inverse. IEEE Transactions on Nuclear Science. 2015;62(1):148,163.
  6. Grunzke R, Hesser J, Starek J, et al. Device-Driven Metadata Management Solutions for Scientific Big Data Use Cases. In: 2014 22nd Euromicro International Conference on Parallel, Distributed, and Network-Based Processing. 2014 22nd Euromicro International Conference on Parallel, Distributed, and Network-Based Processing. IEEE; 2014.
  7. Pyatykh S, Hesser J. Image Sensor Noise Parameter Estimation by Variance Stabilization and Normality Assessment. IEEE Transactions on Image Processing. 2014;23(9):3990,3998.
  8. Molina JFernando G, Zheng L, Sertdemir M, Dinter DJ, Schönberg S, Radle M. Incremental Learning with SVM for Multimodal Classification of Prostatic Adenocarcinoma. PLoS ONE. 2014;9.
  9. Seker F, Hesser J, Neumaier-Probst E, et al. Dose-response relationship of locally applied nimodipine in an ex vivo model of cerebral vasospasm. Neuroradiology. 2013;55:71–6.
  10. Pyatykh S, Zheng L, Hesser J. Fast noise variance estimation by principal component analysis. In: IS&T/SPIE Electronic Imaging 2013. IS&T/SPIE Electronic Imaging 2013. 9-8.

Kontextspalte