Der Ein­satz von KI bei Mess­ergeb­nis­sen unter Ver­wen­dung von unschar­fen Bil­dern ist Thema eines For­schungs­pro­jekts an der TU Wien. 

Kein Bild ist unend­lich scharf. Egal wie prä­zise man ein Mikro­skop oder eine Kamera baut, es gibt immer grund­le­gende und final fest­ste­hende Genau­ig­keits­gren­zen. Die Posi­tion eines Teil­chens kann etwa nie­mals unend­lich genau ver­mes­sen wer­den, eine gewisse Unschärfe ist unver­meid­lich. Diese Grenze ergibt sich nicht aus tech­ni­schen Schwä­chen, son­dern aus den phy­si­ka­li­schen Eigen­schaf­ten des Lichts und der Infor­ma­ti­ons­über­tra­gung selbst.

Stra­te­gie für bild­ge­bende Ver­fah­ren Die TU Wien, die Uni­ver­si­tät Glas­gow und die Uni­ver­si­tät Gre­no­ble unter­such­ten nun die abso­lute Grenze der Prä­zi­sion, die mit opti­schen Metho­den mög­lich ist. Und wie diese Grenze mög­lichst gut erreich­bar ist. Dem inter­na­tio­na­len Team gelang es dabei eine unterste Schranke für die theo­re­tisch erreich­ba­rer Prä­zi­sion anzu­ge­ben und KI-Algo­rith­men für neu­ro­nale Netze zu ent­wi­ckeln, die nach ent­spre­chen­dem Trai­ning die­ser Schranke sehr nahe­kom­men. Diese Stra­te­gie soll nun in bild­ge­ben­den Ver­fah­ren ein­ge­setzt wer­den, etwa in der Medizin.

„Stel­len wir uns vor, wir betrach­ten ein klei­nes Objekt hin­ter einer unre­gel­mä­ßi­gen, trü­ben Glas­scheibe“, sagt Ste­fan Rot­ter vom Insti­tut für Theo­re­ti­sche Phy­sik der TU Wien. „Wir sehen dann nicht ein­fach ein Bild des Objekts, son­dern ein kom­pli­zier­tes Licht­mus­ter, bestehend aus vie­len hel­le­ren und dunk­le­ren Licht­fle­cken. Wie genau kön­nen wir auf Basis die­ses Bil­des abschät­zen, wo sich das Objekt tat­säch­lich befin­det – und wo liegt die abso­lute Grenze die­ser Genau­ig­keit?“, erläu­tert Rot­ter die Ausgangsbasis.

Phy­sik gibt hier grund­le­gende Gren­zen vor Sol­che Sze­na­rien sind etwa in der Bio­phy­sik oder der medi­zi­ni­schen Bild­ge­bung von Bedeu­tung. Wenn Licht durch bio­lo­gi­sches Gewebe gestreut wird, ver­liert es schein­bar die Infor­ma­tion über tie­fer lie­gende Gewe­be­struk­tu­ren. Doch wie viel von die­ser Infor­ma­tion lässt sich prin­zi­pi­ell zurück­ge­win­nen ? Diese Frage ist nicht nur von tech­ni­scher Natur, son­dern die Phy­sik selbst gibt hier grund­le­gende Gren­zen vor. Die Ant­wort dar­auf lie­fert ein theo­re­ti­sches Maß, die soge­nannte Fisher-Infor­ma­tion. Sie beschreibt, wie viel Infor­ma­tion ein durch irgend­wel­che Effekte ver­fälsch­tes opti­sches Signal über einen unbe­kann­ten Para­me­ter – etwa die Objekt­po­si­tion – ent­hält. Ist die Fisher-Infor­ma­tion gering, ist keine prä­zise Bestim­mung mehr mög­lich, egal wie raf­fi­niert das Signal aus­ge­wer­tet wird. Auf Basis die­ses Kon­zepts konnte das Team eine Ober­grenze für die theo­re­tisch erreich­bare Genau­ig­keit in unter­schied­li­chen expe­ri­men­tel­len Sze­na­rien berechnen.

Neu­ro­nale Netze ler­nen aus chao­ti­schen Lichtmustern
Wäh­rend das Team der TU Wien theo­re­ti­sche Bei­träge lie­ferte, wurde ein ent­spre­chen­des Expe­ri­ment von Dorian Bou­chet von der Uni­ver­si­tät Gre­no­ble (Frank­reich) zusam­men mit Ilya Stars­hy­nov und Daniele Fac­cio von der Uni­ver­si­tät Glas­gow (UK) kon­zi­piert und durch­ge­führt. In die­sem Expe­ri­ment wurde ein Laser­strahl auf ein klei­nes, spie­geln­des Objekt gerich­tet. Die­ses befand sich hin­ter einer trü­ben Flüs­sig­keit, sodass die auf­ge­nom­me­nen Bil­der nur noch stark ver­zerrte Licht­mus­ter zeig­ten. Je nach Trü­bung vari­ier­ten die Mess­be­din­gun­gen – und damit auch die Schwie­rig­keit, aus dem Signal prä­zise Posi­ti­ons­in­for­ma­tio­nen zu gewin­nen. „Für das mensch­li­che Auge sehen diese Bil­der wie zufäl­lige Fle­cken aus. Aber wenn wir viele sol­cher Bil­der – jeweils mit bekann­ter Objekt­po­si­tion – in ein neu­ro­na­les Netz ein­spei­sen, kann das Netz ler­nen, wel­che Mus­ter mit wel­chen Posi­tio­nen zusam­men­hän­gen“, erklärt Maxi­mi­lian Wei­mar von der TU Wien. „Nach aus­rei­chen­dem Trai­ning war das Netz in der Lage, auch bei neuen, unbe­kann­ten Mus­tern die Objekt­po­si­tion sehr genau zu ermit­teln“, so Wei­mar. Ein­satz­sze­na­rien in medi­zi­ni­scher Dia­gnos­tik, Mate­ri­al­for­schung oder Quantentechnologie.

Beson­ders bemer­kens­wert : Die Genau­ig­keit der Vor­her­sage war in allen Sze­na­rien nur mini­mal schlech­ter als das theo­re­tisch erreich­bare Maxi­mum – berech­net über die Fisher-Infor­ma­tion. „Das bedeu­tet, dass unser KI-gestütz­ter Algo­rith­mus nicht nur effek­tiv, son­dern nahezu opti­mal ist. Er erreicht fast genau jene Prä­zi­sion, die durch phy­si­ka­li­sche Gesetze über­haupt erlaubt ist“, unter­streicht Ste­fan Rot­ter von der TU Wien. Diese Erkennt­nis hat weit­rei­chende Kon­se­quen­zen : Mit Hilfe intel­li­gen­ter Algo­rith­men könn­ten opti­sche Mess­ver­fah­ren in ver­schie­dens­ten Berei­chen deut­lich ver­bes­sert wer­den – von der medi­zi­ni­schen Dia­gnos­tik über die Mate­ri­al­for­schung bis hin zur Quan­ten­tech­no­lo­gie. In künf­ti­gen Pro­jek­ten will das For­schungs­team gemein­sam mit Part­nern aus der ange­wand­ten Phy­sik und Medi­zin nun unter­su­chen, wie diese KI-gestütz­ten Metho­den in kon­kre­ten Sys­te­men zum Ein­satz kom­men können.