Machine Learning in Axial SpondyloArthritis
Das Projekt MaLIAS adressiert die Entwicklung und Validierung eines Expertensystems zur Diagnoseunterstützung für die automatisierte Erkennung und Bewertung von pathologischen Veränderungen im Achsenskelett mit Fokus auf die axiale Spondyloarthritis (axiale SpA, auch Morbus Bechterew genannt). Hierzu werden Daten der Magnetresonanztomographie verbreiteter MRT-Scanner unter Verwendung von Verfahren des Maschinenlernens automatisiert verarbeitet und ausgewertet. Hierbei stehen insbesondere die Sakroiliakalgelenke sowie die Wirbelsäule im Fokus der Untersuchung. Es wird weiterhin betrachtet, inwiefern der Einsatz eines solchen Systems zur Entscheidungsunterstützung auch zum Screening bzw. dem Monitoring des Krankheitsverlaufes geeignet ist.
MRT-Slice
Berechnete Wirbelmaske
Ergebnis der Segmentierung und Datensatz zur eigentlichen Klassifizierung/Befundung
Deep Artifact Suppressor
Das Ziel dieses Projekts besteht darin, unter Verwendung von Methoden des maschinellen Lernens die Qualität tomographischer Aufnahmen, hier stehen zunächst computertomographische Aufnahmen im Fokus, zu verbessern. Bedingt durch die den Aufnahmen zugrundeliegenden physikalischen Effekte, treten in Abhängigkeit des zu untersuchenden Objekts unterschiedliche Formen von so genannten Bildartefakten auf. Diese mindern zum einen die Bildqualität und erschweren des Weiteren auch die Interpretation der Ergebnisse. Durch die Verwendung realistischer Simulationsverfahren können künstliche Bilddaten generiert werden, welche diese Artefakte nur optional aufweisen. Auf diesem Wege können künstliche Bildpaare erzeugt werden, bei denen das eine Bild die Artefakte aufweist, während sie im anderen Bild simulationsseitig unterdrückt worden sind. Die so gewonnenen Daten sollen dann dazu verwendet werden, ein auf Verfahren des maschinellen Lernens basierendes Filter zu entwickeln, welches in der Lage ist, Artefakte auch auf realen Aufnahmen zu eliminieren. Notwendig hierzu ist eine möglichst optimale Anpassung der Simulation an den tatsächlich verwendeten Tomographen. Dies ist im Rahmen einer Bachelorarbeit und in Kooperation mit dem Bundesanstalt für Materialforschung und -prüfung BAM unter Verwendung der dort entwickelten Simulationssoftware aRTist bereits für den hochschuleigenen Nanofokus-Tomographen realisiert worden.
Werkstoffanalytik massiver, mit Hilfe des ColdSpray-Verfahrens additiv gefertigter 3D Kupferstrukturen
ColdSpray (Kaltgasspritzen) ist ein Beschichtungsverfahren, bei dem ohne ein vorangegangenes Aufschmelzen des pulverförmigen Werkstoffs (Metalle wie Silber, Kupfer, Chrom, Titan oder entsprechende Legierungen) die Bildung einer dichten und fest haftenden Schicht auf dem Substrat gewährleistet ist. Dazu wird das Trägergas in einer Laval Düse auf Überschallgeschwindigkeit beschleunigt, wodurch die in den Gasstrom injizierten Partikel (~50µm) auf sehr hohe Geschwindigkeiten beschleunigt und beim Aufprall auf die Substratoberfläche plastisch verformt werden und eine Umwandlung der kinetischen in thermische Energie stattfindet. Dieses vielversprechende Verfahren ermöglicht die Erzeugung von Schichtdicken für konventionelle Beschichtungsaufgaben sowie den Aufbau von 3D Strukturen, wie z.B. von Kupfer (siehe Abbildung) mit Eigenschaften denen von Bulk-Kupfer vergleichbar. Das Werkzeug ist dabei an einem 6-Achs Industrieroboter befestigt. Der Aufbau von 3D Strukturen erfordert ein enormes Know How der korrekten Trajektorie des Werkzeuges, um Strukturen mit den gewünschten Materialeigenschaften generieren zu können. Weitere, die Materialeigenschaften der aufgebauten Strukturen bestimmende Parameter sind die ColdSpray-Prozessgrößen, die Materialeigenschaften der Substrate und deren Oberflächenbeschaffenheit sowie geometrische Faktoren der Substrate und gewünschten 3D Strukturen.
Röntgen-CT-Daten (Abb. 2) zeigen den Einfluss einer Inhomogenität innerhalb des Aluminiumsubstrats (kleiner Spalt) auf die Mikrostruktur des darüber liegenden Kupfervolumens. Die von der Lücke betroffene Zone M2 ist durch eine etwas höhere Porosität und verringerte Schichtdicke im Vergleich zu dem hochwertigen Spritzmaterial außerhalb (M1) gekennzeichnet. Die Abscheidungseffizienz (DE) hängt hauptsächlich von der Geschwindigkeit der Partikel, dem Aufprallwinkel der Partikel auf das Substrat und den Eigenschaften des Substratmaterials ab. Die ersten beiden werden für M1 und M2 nicht variiert. Aufgrund des Defekts unterhalb von M2 wird Kupfer in dieser Zone auf Schichten aufgebaut, die sich in ihren mechanischen Eigenschaften von denen in M1 unterscheiden, was eine erhöhte Rückprallrate für die auftreffenden Kupferpartikel zur Folge hat. Eine Porenbildung wird sogar einige Millimeter über dem Substrat beobachtet, von der erwartet wird, dass sie die lokale Elastizität des Materials beeinflusst. Mit zunehmender Schichtdicke konvergieren E-Module und DE in M2 gegen die Werte in M1. Durch Röntgen-CT können die lokalen DE- und Porositätsgradienten quantitativ abgeleitet werden. Der Projektplan für 2021 konzentriert sich auf die Materialmodellierung basierend auf destruktiven Validierungsexperimenten und 3D-Bildgebung.
Abbildung 1: links: mittels ColdSpray gedruckte 3D Kupferkomponete, rechts: rein Roboterarm führt Düse über das zu beschichtende Substrat.
Abbildung 2: Röntgen-CT Daten, Querschnitt durch eine mittels Coldspray gedruckte Probe, Einfluss eines Fügespaltes auf die Mikrostruktur/Porenverteilung innerhalb des darüberliegenden Werkstoffs (Creuz, Schneider, Haibel)
Laminography: Machine learning based reconstruction of 3D data sets
Maschinelles Lernen für die nachhaltige Logistik (MaLog)
Im Rahmen des von der IFAF geförderten Projekts MaLog wurde in Kooperation mit der HTW Berlin sowie der ImagineCargo UG eine auf der Simulationsumgebung SUMO sowie Methoden des machinellen Lernens basierende Software-Lösung entwickelt. Zielsetzung war hierbei die Optimierung der innerstädtischen Tourenplanung zur emissionsfreien Güterverteilung.
