Zowel in de medische wereld als bij het analyseren van culturele artefacten zijn CT-scans een essentieel hulpmiddel om digitale doorsneden van objecten of het menselijk lichaam te maken op basis van röntgenfoto's. De kwaliteit van een CT-scan is daarom sterk afhankelijk van de ruwe röntgenfoto's. Bij complexe objecten, zoals kunstwerken met metaalstructuren, treedt vaak een probleem op: de zogenaamde 'beam-hardening' artefacten. Dit zijn fouten in het beeld die ontstaan doordat laag-energetische röntgenstralen worden geabsorbeerd door het object.
Een manier om deze fouten op te lossen ligt in het filteren van deze straling. Het nadeel is dat dit het meetsignaal kan verzwakken, wat leidt tot ruis in de vorm van korrelige beelden. Dit is vergelijkbaar met een foto die genomen is bij weinig licht. De uitdaging is simpel gezegd om een balans te vinden tussen het verwijderen van fouten en het behouden van voldoende signaal en contrast.
De Slimme Oplossing: Zelflerende Algoritmen (AI)
In zijn onderzoek richtte Maximilian zich op het gebruik van zelflerende algoritmen (kunstmatige intelligentie) om de beeldreconstructie te verbeteren. Dit deed hij door de data te trainen met zowel slechte als goede CT-data. Op die manier leren de algoritmen om slechte beelden om te zetten in scherpe, foutloze reconstructies.
Een belangrijke en verrassende uitkomst is dat het voor het verwijderen van “gewone” ruis, zoals korreligheid, het effectiever is om de algoritmen te trainen met kunstmatige ruis. Dit is simpele, wiskundige ruis die door de onderzoeker op de computer is toegevoegd. Complexere fouten, de 'beam-hardening' die ontstaan door natuurkundige processen in het object zelf, kunnen echter niet goed nagebootst worden door de simpele, kunstmatige ruis. Om de algoritmen te trainen moet echte experimentele data gebruikt worden.
Deze uitkomsten bieden een fundamentele bijdrage aan de toekomstige gestandaardiseerde ontwikkeling en onderlinge vergelijkbaarheid van zelflerende algoritmen voor CT-beeldreconstructie.
