Physikbasierte KI könnte die biomedizinische Bildgebung und die autonomen Fahrzeugsensoren verbessern

Ein Forschungsteam unter der Leitung von Institutionen wie der University of California, Los Angeles (UCLA) und der University of Rochester hat einen Durchbruch in der Bildgebungstechnologie vorgestellt, der physikalisch basierte künstliche Intelligenz nutzt. Dieser Fortschritt verspricht, sowohl die biomedizinische Bildgebung als auch die in autonomen Fahrzeugen verwendeten Sensorsysteme zu verbessern. Die Innovation ermöglicht eine klarere Visualisierung von Details, die in komplexen Medien wie menschlichem Gewebe oder dichtem Nebel versteckt sind, durch signifikante Verbesserung der Bildqualität und der Verarbeitungsgeschwindigkeit. Das neue System verwendet eine Kombination bestehender Bildgebungstechniken und fortschrittlicher Algorithmen für maschinelles Lernen.

Insbesondere integriert es eine Methode, die als DeepTimeGate bekannt ist, die aus zwei verschiedenen Phasen besteht. Die erste Phase beinhaltet einen Algorithmus, der trainiert ist, Bilder aus gestreuten Lichtdaten mathematisch zu rekonstruieren. Die zweite Phase führt einen neuartigen Algorithmus ein, der an der UCLA entwickelt wurde, der physikalische Einschränkungen anwendet, um sicherzustellen, dass die rekonstruierten Bilder den Gesetzen der Physik entsprechen. Dieser zweistufige Ansatz reduziert effektiv visuelle Verzerrungen und erhöht die Klarheit. In Labortests zeigte das System bemerkenswerte Verbesserungen gegenüber aktuellen Technologien.

Bei der Anwendung auf Standard-Kalibrierungsaufnahmen, die durch komplexe Medien verdeckt wurden, erzielte das neue System ein Signal-Rausch-Verhältnis, das mehr als doppelt so hoch war wie bei seinen Vorgängern.

Es verwendet Silizium-basierte Kameras, ähnlich denen in der Unterhaltungselektronik, gepaart mit speziellen Filmen, die Licht filtern, um es sichtbar zu machen. Während diese Methode kostengünstige Lösungen bietet, litt sie zuvor unter Problemen wie Vignettierung, die verdunkelte Bildränder und ein reduziertes Sichtfeld verursacht, zusammen mit unerwünschten Artefakten, die als helle oder dunkle Flecken erscheinen. Durch die Einbeziehung des DeepTimeGate-Frameworks wurden diese Herausforderungen gemildert. Die physikalischen Prüfungen, die während der zweiten Stufe des Algorithmus eingeführt wurden, stellen sicher, dass rekonstruierte Bilder die Genauigkeit beibehalten und Verzerrungen beseitigen.

Diese Verbesserung eröffnet zahlreiche Möglichkeiten, insbesondere in medizinischen Bereichen, in denen nicht-invasive Bildgebung entscheidend ist. Zum Beispiel könnten Chirurgen von einer genaueren intraoperativen Anleitung profitieren, insbesondere während minimal-invasiver Verfahren. Ebenso könnten Laboratorien, die biologische Proben in undurchsichtigen Umgebungen analysieren, diese Technologie nutzen, ohne Probenvorbereitungsstufen zu benötigen, die die Integrität der Proben verändern. Über das Gesundheitswesen hinaus erstrecken sich die Auswirkungen auf andere Branchen. Autonome Fahrzeuge, die mit solchen Bildgebungssystemen ausgestattet sind, könnten sich sicher durch widrige Wetterbedingungen wie starken Regen, Nebel und Sandstürme bewegen.

Die Industrie könnte diese Technologie auch für die Inspektion von Produkten in herausfordernden Umgebungen nutzen, wie zum Beispiel die Bewertung der Qualität von in trüben Flüssigkeiten untergetauchten oder in gefrostete Materialien gepackten Artikeln.