Projektbeschreibung
Die technologische Lücke bei der Bildrekonstruktion natürlicher Netzwerke schließen
Die präzise digitale Rekonstruktion natürlicher Netzwerke, z. B. Blutgefäße oder Pflanzenwurzeln, ist entscheidend für die Qualität simulationsgestützter Vorhersagen. Diese Strukturen können jedoch meist nur über nicht-invasive Bildgebungsverfahren abgebildet werden, sodass Artefakte die Zuverlässigkeit der Daten und der abgeleiteten Simulationen beeinträchtigen. Im Projekt NIOT, finanziert über die Marie-Skłodowska-Curie-Maßnahmen, sollen die mathematischen und technologischen Lösungen erarbeitet werden, um Netzwerke aus beschädigten Bilddateien zu rekonstruieren. Die Kernidee besteht darin, die neuesten Fortschritte in der Theorie verzweigter Transportwege in eine variable Bildverarbeitungsmethode einzubinden. Letztendlich sollen beschädigte MRT-Scans des Gefäßnetzes von Menschen rekonstruiert werden.
Ziel
"The precise digital reconstruction of natural networks such as blood vessels or plant roots is crucial to ensure the quality of
simulation-driven predictions. However, these structures can often be accessed only via noninvasive techniques, leading to artifacts
that compromise the reliability of the data and the derived simulations. No technological solution is currently able to recover digital
reconstructions of ""real"" networks from corrupted images.
The NIOT (Network Inpainting via Optimal Transport) project aims to fill this technological gap by defining for the first time a robust
mathematical formulation of the image network reconstruction problem. Thanks to the most recent advances of the optimal
transport theory, we will finally encode into equations the well-known fact that several natural networks are designed to transport
resources with the least effort possible. We will adopt a variational image processing method, where the reconstructed network is
obtained as the density minimizing the sum of the discrepancy with the observed data and a branch inducing functional. As such, our
proposed methodology builds a bridge between the image regularization and optimal transport communities.
A major ambition of the project is to pair the theoretical analysis with robust simulation tools that are capable of handling real data
arising from MRI acquisition techniques. This will require exploitation and development of dedicated components to handle large
datasets, both from a data handling and a multiscale simulation perspective. Our algorithm will be tested on a sequence of
increasingly channeling problems. We will start from simple synthetic networks, then we will use an high-quality map of the blood
vessel network of a mouse brain. The final benchmark will be to reconstruct of corrupted vascular networks in MRI scans of human
patients."
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) HORIZON-MSCA-2022-PF-01
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-TMA-MSCA-PF-EF -Koordinator
5020 Bergen
Norwegen