Forschung

Medizinische Bildverarbeitung von endoskopischen Hochgeschwindigekeitsvideo

Eine der Herausforderungen im klinischen Alltag für Patient*innen mit Erkrankungen der Stimme ist, dass die akustische Quelle der Stimme, die Stimmlippen, schnell (> 100Hz) und mit geringer Amplitude oszillieren. Daher werden zur Bildgebung in diesem Bereich primär die endoskopische Videostroboskie und in den letzten Jahren verstärkt endoskopische Hochgeschwindikeitskameras eingesetzt. Insbesondere letztere produzieren allerdings oftmals dunkle Videos mit Bildbeeinträchtigungen durch Rauschen, Reflexionen, Schatten oder Bewegung des Endoskops oder der Patient*innen.

Meine Forschung in diesem Bereich konzentriert sich auf Methoden zur Verbesserung der Bildqualität, um genannte Probleme zu bekämpfen. Aktuell versuche ich unterbelichtete Hochgeschwindigkeitsaufnahmen mit  einer U-Net-artigen Netzwerkarchitektur zu verbessern. Dies erlaubt eine bessere Diagnose im klinischen Betriebt und kann in der Forschung die Segmentierung und Analyse der Aufnahmen unterstützen. Ohne Nachbearbeitung kann eine hohe Anzahl der aufgenommen Videos aufgrund von Bildbeeinträchtigungen kaum ausgewertet werden.

Stimmparameter

Ein Teil meiner Forschung ist darauf ausgelegt, die physikalischen Eigenschaften der Stimmlippen und des Stimmgebungprozesses zu quantifizieren. Von besonderem Interesse sind die Masse und Steifigkeit der Stimmlippen sowie der Luftdruck unterhalb der Stimmlippen, der sogenannte subglottale Druck, der die Oszillation verursacht. In unserer Veröffentlichung Physical parameter estimation from porcine ex vivo vocal fold dynamics in an inverse problem framework demonstrierten meine KoautorInnen und ich die Möglichkeiten zur Schätzung des subglottalen Druck in einem inverse Problem. Mit Nutzung eines numerischen Modells führten wir eine Optimierung auf dem Parameterraum der Initialbedingung des Modells durch, um die Schwingung des Modells an die Hochgeschwindigkeitsaufnahme experimenteller, ex vivo Stimmlippenschwingungen anzugleichen.

Zuletzt lag der Fokus meiner Forschung in diesem Bereich auf der Anwendung rekurrenter neuronaler Netzwerke, die mit synthetischen Daten aus einem numerischen Modell trainiert werden, um dann zur Schätzung bei echten, experimentellen Daten verwendet zu werden. Der Vorteil hiervon ist, dass die Schätzung  mit neuronalen Netzwerken um ein Vielfaches schneller ist als die wiederholte Auswertung des numerischen Modells in einer Optimierung.