Descrizione del progetto
Colmare il divario tecnologico per la ricostruzione di immagini raffiguranti le reti naturali
La precisa ricostruzione digitale di reti naturali come i vasi sanguigni o le radici delle piante è fondamentale per garantire la qualità delle previsioni che si basano su approcci di simulazione. Tuttavia, spesso queste strutture sono accessibili solamente attraverso tecniche di imaging non invasive, determinando artefatti che compromettono l’affidabilità dei dati e delle simulazioni derivate. Finanziato dal programma di azioni Marie Skłodowska-Curie, il progetto NIOT mira a fornire le soluzioni matematiche e tecnologiche necessarie per ricostruire le reti a partire da immagini corrotte. L’idea centrale è quella di incorporare i più recenti progressi nell’ambito della teoria del trasporto ramificato all’interno di un metodo di elaborazione variabile delle immagini, con l’obiettivo finale di ricostruire le reti vascolari danneggiate nelle scansioni di RMI a cui vengono sottoposti pazienti umani.
Obiettivo
"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."
Parole chiave
Programma(i)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Invito a presentare proposte
(si apre in una nuova finestra) HORIZON-MSCA-2022-PF-01
Vedi altri progetti per questo bandoMeccanismo di finanziamento
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsCoordinatore
5020 Bergen
Norvegia