Modulare Software für die wissenschaftliche Bildrekonstruktion

Forschende verwenden eine Reihe von bildgebenden Instrumenten, um in das Innere lebender Organismen zu blicken, manchmal während sie sich bewegen, und um inaktive Objekte zu beobachten, ohne ihren Zustand zu verändern. Zu diesen Instrumenten gehören Teleskope, Mikroskope, CT-Scanner und vieles mehr. Aber selbst wenn diese Instrumente mit maximaler Kapazität arbeiten, erzeugen sie oft nur Teilbilder oder Bilder von zu geringer Qualität, um viele Erkenntnisse zu liefern. Hier kommen leistungsstarke Algorithmen ins Spiel, die fehlende Informationen ergänzen, die Auflösung und den Kontrast eines Bildes verbessern und skizzenhafte Objekte herausarbeiten können. Bei dieser Technik, die als Computational Imaging bekannt ist, wurden in letzter Zeit beeindruckende Fortschritte erzielt, so dass sie heute in vielen Forschungsbereichen eine zentrale Rolle spielt.

Ingenieurfachleute, die in verschiedenen Bereichen tätig sind, haben leistungsstarke algorithmische Programme für diese Technik entwickelt, die jedoch jeweils für eine ganz bestimmte Anwendung konzipiert sind, auch wenn die zugrunde liegende Bildgebungsphysik im Allgemeinen dieselbe ist. Das bedeutet, dass Wissenschaftlerinnen, die bildgebende Verfahren miteinander kombinieren wollen, einen erheblichen Aufwand betreiben müssen, um verschiedene Programme anzupassen und miteinander kommunizieren zu lassen: «Wir hatten das Gefühl, dass wir immer wieder dieselben Codestücke neu schreiben mussten, um die Programme, die wir verwenden wollten, anzupassen», sagt Sepand Kashani, Doktorand am Labor für audiovisuelle Kommunikation (LCAV) der EPFL. Also tat er sich mit Matthieu Simeoni und Joan Rué Queralt, dem ehemaligen und aktuellen Leiter des Hub for Image Reconstruction am Center for Imaging der EPFL, zusammen, um anwendungsunabhängige Algorithmen zu entwickeln, die in verschiedenen Bereichen eingesetzt werden können. Heute ist diese Software – Pyxu genannt – als Open Source verfügbar.

Von winzigen Molekülen bis zum Weltraum gelten die gleichen physikalischen Gesetze

«Die physikalischen Gesetze, die der Bildgebung zugrunde liegen, sind oft dieselben, unabhängig vom jeweiligen Forschungsgebiet», sagt Rué Queralt, «und die Probleme, die bei der Bildrekonstruktion auftreten, lassen sich in eine Handvoll Kategorien einteilen, für die es so gut wie dieselben mathematischen Modelle gibt – Kategorien wie Röntgen und andere Formen der Tomographie, MRT und Radioastronomie und so weiter.» Deshalb glaubten er, Kashani und Simeoni, dass es möglich wäre, anwendungsunabhängige Software zu entwickeln: «Heute werden bildgebende Verfahren in der Regel nur in dem Bereich eingesetzt, für den sie ursprünglich entwickelt wurden», sagt Rué Queralt, «wir haben erlebt, dass Forschende viel Zeit und Energie darauf verwendet haben, das Rad neu zu erfinden, indem sie ähnliche Programme wie die bereits existierenden programmiert haben. Das bremst den Fortschritt in der Bildgebung in allen Bereichen.»

Pyxu soll in jedem Bereich eingesetzt werden können und die nahtlose Integration modernster KI-Technologie erleichtern. Martin Vetterli, Professor am LCAV, erklärt: «Deep-Learning-Algorithmen haben in den letzten Jahren die Landschaft der computergestützten Bildgebung auf den Kopf gestellt. Diese Algorithmen beruhen auf KI-Technologie und sind leistungsfähiger als ihre konventionellen Gegenstücke.» Die Algorithmen werden durch den Vergleich von qualitativ hochwertigen Bildern mit rekonstruierten Bildern trainiert und dann verwendet, um automatisch die notwendigen Korrekturen zur Verbesserung der Rekonstruktionen vorzunehmen und die Bilder selbst zu vergleichen.

Das Pyxu-Entwicklungsteam, das sich aus Ingenieurfachleuten des LCAV und des Center for Imaging zusammensetzt, musste Kompetenzen aus verschiedenen Bereichen zusammenführen, um die Software und die Open-Source-Plattform zu entwickeln: «Eine unserer grössten technischen Herausforderungen war es, Pyxu so flexibel zu gestalten, dass es riesige Datensätze verarbeiten kann und gleichzeitig einfach in eine Vielzahl von IT-Systemen mit unterschiedlichen Hardwarekonfigurationen zu implementieren ist», sagt Kashani.

Weniger Code, mehr Ziegelsteine

Mit Pyxu müssen Wissenschaftlerinnen und Wissenschaftler nicht mehr Fachleute für Implementierungsdetails sein. Die Software enthält Module, die verschiedene Aufgaben repräsentieren, die der Benutzende auswählen und in der von ihm gewünschten Reihenfolge zusammensetzen kann, ähnlich wie Legosteine. Nino Hervé, Doktorand an der Universität Lausanne, war einer der ersten Benutzer von Pyxu; er setzte die Software ein, um EEG-Bilder zu rekonstruieren: «Die Interpretation der Aktivität von 5000 neuronalen Verbindungen auf der Grundlage von Messwerten, die von 200 auf der Kopfhaut eines Patienten angebrachten Elektroden stammen, ist keine leichte Aufgabe», sagt er: «Wir brauchen Programme, die Optimierungsprobleme effektiv lösen können. Die Software von Pyxu verwendet eine Vielzahl hochentwickelter Optimierungsalgorithmen und ist so konzipiert, dass sie Berechnungen parallel ausführt, was sie viel schneller macht. Das hat meine Arbeitsbelastung deutlich verringert.»

Pyxu wurde erst vor wenigen Monaten als Open Source veröffentlicht und wurde bereits in zahlreichen Studien der EPFL in Bereichen wie Radioastronomie, Optik, Tomographie und CT-Scanning eingesetzt. «Wir haben Pyxu so konzipiert, dass die Forschenden unsere Modelle als Grundlage für die Erstellung eigener Modelle verwenden können», sagt Matthieu Simeoni, der Schöpfer von Pyxu. «Dann können die Forschenden ihre Modelle zu unserer Software hinzufügen und sie der gesamten wissenschaftlichen Gemeinschaft zur Verfügung stellen.»

Eine zweite, besser skalierbare Version

Eine zweite, besser skalierbare Version der Software ist derzeit in Arbeit, und es ist geplant, auch diese als Open Source zu veröffentlichen. Die neue Version wird nicht nur größere Datensätze verarbeiten können, sondern auch zusätzliche Funktionen enthalten und noch einfacher zu bedienen sein. So arbeiten die Pyxu-Entwickler mit Ingenieurinnen der EPFL-Gruppe für biomedizinische Bildgebung zusammen, um die jüngsten Fortschritte bei der Einbettung von KI-gesteuerten Algorithmen in mathematische Modelle zu nutzen. Das Ziel ist es, sicherzustellen, dass die rekonstruierten Bilder wichtige Informationen visuell vermitteln und mathematisch robust sind – wesentliche Eigenschaften für sensible Anwendungen wie die medizinische Diagnostik.