Von „Was ist Röntgen?“ bis „Wir trainieren ein neuronales Netz“

Wir begannen mit den Grundlagen: Röntgenphysik auf hohem Niveau, Schlüsselkomponenten (Quelle, Detektor, Geometrie) und den Unterschieden zwischen CT und 2D-Bildgebung. Für eine 15-Jährige geht das weit über den typischen Schulstoff hinaus – daher haben wir es visuell, praxisnah und an Beispielen verankert gehalten.
Dann folgte das Experiment.

Die CT-Challenge „Zucker vs. Salz“

Wir haben eine einfache Probe in einem FF35 gescannt: einen Plastiktrinkhalm, der zur Hälfte mit Zucker und zur Hälfte mit Salz gefüllt war. In den Rohprojektionen war der Unterschied bereits erkennbar – kohlenstoffreicher Zucker im Vergleich zur höheren Dichte von NaCl. Interessant wurde es, nachdem wir den Trinkhalm gründlich geschüttelt hatten, um die Körner zu vermischen. In 2D war die Mischung kaum noch zu trennen – lediglich an den Rändern gab es schwache Anhaltspunkte.

Im rekonstruierten 3D-Volumen war die Trennung konzeptionell einfacher… aber nach wie vor alles andere als trivial. 

Warum Schwellenwerte allein nicht ausreichten

Ein einfacher Schwellenwert konnte Salz zwar einigermaßen gut segmentieren, bei Zucker war es jedoch wesentlich schwieriger:

• Zucker erschien kontrastschwächer und ging teilweise in Luft und leichte Aufhärtungsartefakte über
• ausserdem gab es Kunststoffpartikel mit ähnlicher Intensität, die die Segmentierung erschwerten

Also gingen wir über die manuelle Segmentierung hinaus.

Der KI beibringen, die Aufgabe zu übernehmen

Mithilfe des Segmentation Wizard in Dragonfly 3D World haben wir ein neuronales Netz für die Klassifizierung des Volumens trainiert. Dabei haben wir die Label-Strategie iterativ angepasst:

1. Salz vs. Zucker, mit „Kunststoff/Partikel/Luft“ als dritter Klasse
2. und anschliessende Verfeinerung durch Aufteilung von Kunststoff und Partikeln in zusätzliche Klassen

Das Endergebnis ist wirklich beeindruckend – vor allem angesichts des kurzen Zeitfensters und des Alters des Praktikanten. (Die Bilder sprechen für sich)

Ein praktischer Hinweis zu Geschwindigkeit versus Detailgrad

Um die Iterationsschritte kurz und den Arbeitsablauf flüssig zu halten, haben wir mit 2×2 Binning gescannt und im rekonstruierten Volumen anschließend ein 2×2×2 Binning angewendet. Daher wirken einige Oberflächen leicht abgestuft – das war jedoch der richtige Kompromiss, um den Lern- und Experimentierprozess zu beschleunigen.

Wichtigste Erkenntnisse: 

Am meisten hat mir gefallen zu sehen, wie schnell die Begeisterung wächst, wenn Studierende sinnvolle Aufgaben erhalten – echte Tools, reale Probleme, greifbare Ergebnisse. Die Kombination aus Röntgentechnik/CT und KI-basierter Segmentierung sowie Machine Learning machte das Praktikum zu weit mehr als einem bloßen „Über-die-Schulter-Schauen“.

Als Nächstes: Wir haben uns noch einem zweiten Thema gewidmet – 3D-Druck + CT zur Abweichungsanalyse (Soll/Ist-Vergleich zu CAD). Dazu folgt bald ein weiterer Blogbeitrag.