2024

Bachelorarbeit

zum Thema:

"Verbesserung des Signal-Rausch-Verhältnisses von Bildern der optischen Kohärenztomographie mittels Verfahren der künstlichen Intelligenz"

Leonhard Knipfelberg

Schärfere Bilder führen zu besseren Entscheidungen – in der Medizin, Biologie und darüber hinaus. Die optische Kohärenztomographie (OCT) kann Strukturen im Mikrometerbereich sichtbar machen, doch charakteristische Störgeräusche (insbesondere Speckle) verwischen oft Details und verfälschen Messungen.

Diese Arbeit vergleicht vier Rauschunterdrückungsmethoden anhand eines selbst erstellten OCT-Datensatzes von Pflanzen, um OpenLabKI, ein Open-Source-Toolkit für die OCT-Bildverarbeitung, zu optimieren. Die Methoden umfassen klassische und lernbasierte Ansätze: Medianfilterung, BM3D, Noise2Noise und Noise2Void. Die zentrale Frage ist praktischer Natur: Welche Methode bietet den besten Kompromiss zwischen Rauschunterdrückung, Strukturbeibehaltung und Rechenaufwand für routinemäßige OCT-Arbeitsabläufe?

Die Leistung wird anhand von ergänzenden Kriterien bewertet, die fachübergreifend interpretierbar sind: PSNR (Signaltreue), SSIM (wahrgenommene strukturelle Ähnlichkeit), RMSE (Fehlergröße) und Bildverarbeitungszeit pro Bild. Diese Metriken erfassen sowohl die quantitative Genauigkeit als auch die für den Benutzer wahrnehmbare Geschwindigkeit. Die Implementierungen werden in Python mit standardisierter Vorverarbeitung und einer reproduzierbaren Bewertungs-Pipeline bereitgestellt, was einen direkten Vergleich ermöglicht.

OCT wird häufig in der Augenheilkunde und zunehmend auch in der Pflanzen- und Materialwissenschaft eingesetzt. Unabhängig vom Anwendungsbereich beeinträchtigt starkes Rauschen den Kontrast, verringert das effektive Signal-Rausch-Verhältnis und kann die nachfolgende Analyse oder Diagnose beeinträchtigen. Durch den systematischen Vergleich von Rauschunterdrückungsstrategien an realen OCT-Volumina (hier Pflanzengewebe als patientenfreier Ersatz für komplexe Mikrostrukturen) zielt diese Arbeit darauf ab, (i) zu quantifizieren, inwieweit jede Methode die Bildqualität verbessert, ohne feine Merkmale zu löschen, und (ii) einen Standardalgorithmus für OpenLabKI zu empfehlen, der Qualität und Inferenzzeit auf typischer Hardware in Einklang bringt.

Die Beiträge sind dreifach: ein klarer, metrikgesteuerter Benchmark von vier repräsentativen Denoisern; praktische Integrationsanleitungen für OpenLabKI; und offener, modularer Code, der auf neue Datensätze oder Modalitäten erweitert werden kann. Das Ergebnis ist eine fundierte Empfehlung – basierend auf messbaren Gewinnen und Laufzeitbeschränkungen – für ein OCT-Denoising-Modul, das auch Nicht-Spezialisten mit Zuversicht einsetzen können.