Deep-Learning-basierte Materialbestimmung für die industrielle Computertomographie / von M. Sc. Moritz Weiß aus Essen. Wuppertal, 2025
Content
- Einleitung
- Grundlagen der industriellen Computertomographie
- Wechselwirkung von Photonen mit Materie
- Quelle: Erzeugung von Röntgenstrahlung
- Detektor: Quantitative Detektion von Röntgenstrahlung
- Rekonstruktion
- Trajektorien
- Dual-Energy CT und klassische Materialzerlegung
- Vorstellung reale CT-Anlage
- Grundlagen des Deep Learnings für die Computertomographie
- Einführung: Deep Learning
- Training neuronaler Netze
- Beurteilung des Trainings
- Deep Learning für die Bildverarbeitung
- Verwandte Forschung
- Methodik der Literaturrecherche
- Analyse des Korpus
- Beschleunigungsspannung und Detektortechnologie
- Materialien
- Klassische Ansätze zur Materialbestimmung
- Datengetriebene Ansätze
- Erkenntnisgewinn aus der Literatur
- Simulation der Computertomographie
- Anforderungsanalyse: CT-Simulation
- CT-spezifische Anforderungen
- Deep-Learning-spezifische Anforderungen
- Nicht-funktionale Anforderungen
- Überblick über die Anforderungen
- Existierende CT-Simulationen
- Eigene Simulation
- Evaluation der implementierten Simulation
- Exemplarischer Datensatz & Datenverteilung
- Vergleich mit aRTist und mit einem realen Scan
- Beobachtungen mit (simulierter) Dual-Energy CT
- Geschwindigkeit und Skalierbarkeit
- Zusammenfassung
- Deep-Learning-Architektur für die Materialbestimmung
- Industrielle Rahmenbedingungen für DL in der CT
- Simuliertes Phantom zur quantitativen Auswertung
- Einfluss des globalen Bildkontextes
- Verschiedene Architekturen: Convolution oder Transformer?
- Inferenz mit dem U-Net
- Zusammenfassung der Ergebnisse
- Transfer in die CT-Praxis
- Größe der Materialregionen
- Kantenschärfe
- Größe des simulierten Phantoms
- Relative Dichten
- Vorhersagen außerhalb der CT-Mittelschicht
- Anwendung auf reale CT-Daten
- Zusammenfassung der Ergebnisse
- Anwendungspotential auf andere Problemstellungen in der CT
- Reduktion der Strahlaufhärtungsartefakte
- Rauschreduktion
- Detektion von Poren und Partikeln
- Zusammenfassung der Ergebnisse
- Kritische Würdigung
- Zusammenfassung