Medizinische Bildgebung — MRT-Entrauschung und Genexpression aus Pathologiebildern

Auf einen Blick

• Speckle-Rauschen verdeckt diagnostische Details in der MRT; Genexpressions-Assays sind langsam und teuer, Pathologiebilder dagegen schnell und günstig.
• Modelle zur Speckle-Entrauschung für die MRT und eine Masterarbeit, die Genexpression aus Gigapixel-Pathologiebildern vorhersagt.
• Abgeschlossen: MRT-Projekt 2020 bis 2021; Masterarbeit im September 2025 fertiggestellt, ein Paper ist in Vorbereitung.

Highlights

• Speckle-Rauschen in der MRT reduzieren

  Entrauschungsmodelle gegen das Speckle-Rauschen, das diagnostische Details in der MRT und verwandten Verfahren zerstört.

• Genexpression aus Pathologiebildern

  Die Masterarbeit prüft, ob Whole-Slide-Pathologiebilder einen langsamen, teuren Genexpressions-Assay ersetzen können.

• Vision-Foundation-Modelle

  Ein Vision-Foundation-Modell verarbeitet als erster Schritt des Pathologie-Strangs das Whole-Slide-Bild im Gigapixel-Format.

• Graph Neural Networks

  Ein Graph Neural Network baut auf der Ausgabe des Bildmodells auf, auf dem Weg zur Genexpressionsvorhersage.

• Adaptierte Sprachmodell-Techniken

  Techniken aus großen Sprachmodellen, für diese Aufgabe adaptiert und mit statistischen und probabilistischen Methoden kombiniert.

• Ziel: wenig Rechenaufwand, niedrige Latenz

  Die Masterarbeit zielte darauf ab, Rechenaufwand und Latenz so gering wie möglich zu halten – eine harte Vorgabe bei Gigapixel-Eingaben.

Die Herausforderung

Speckle-Rauschen zerstört diagnostisch relevante Details in der MRT. Das erste Projekt zielte darauf ab, es zu reduzieren, in der MRT und in verwandten bildgebenden Verfahren.

Das zweite Problem ist ebenso wirtschaftlicher wie wissenschaftlicher Natur. Genexpressions-Assays sind langsam, teuer und logistisch mühsam, während sich Whole-Slide-Pathologiebilder schnell und günstig gewinnen lassen. Diese Bilder erreichen Gigapixel-Größe, und die Masterarbeit setzte eine harte Vorgabe für Rechenaufwand und Latenz.

Architektur

Zwei Forschungsstränge. Für die MRT: Modelle zur Speckle-Entrauschung. Für die Pathologie: Ein Vision-Foundation-Modell verarbeitet das Whole-Slide-Bild, und ein Graph Neural Network baut auf dessen Ausgabe auf, während für die Aufgabe adaptierte Techniken großer Sprachmodelle ebenfalls in die Genexpressionsvorhersage einfließen. Der Ansatz nutzt außerdem statistische und probabilistische Methoden.

Was ich gebaut habe

Die Masterarbeit untersucht, ob Whole-Slide-Pathologiebilder einen Genexpressions-Assay ersetzen können. Ziel ist es, molekularbiologische Signale direkt aus Gigapixel-Bildern zu gewinnen und dabei Rechenaufwand und Latenz so gering wie möglich zu halten.

• MRT: Reduktion von Speckle-Rauschen in der MRT und verwandten bildgebenden Verfahren.

• Pathologie: Vorhersage der Genexpression aus digitalen Pathologiebildern durch die Kombination von Graph Neural Networks, Vision-Foundation-Modellen, adaptierten LLM-Techniken und statistischer Modellierung.

Ergebnis

Die Masterarbeit wurde im September 2025 an der Isfahan University of Technology abgeschlossen; ein darauf basierendes Paper ist in Vorbereitung. Das MRT-Projekt zum Speckle-Rauschen für ein Privatunternehmen lief von März 2020 bis März 2021.

Meine Rolle

• Forschte für ein Privatunternehmen zur Reduktion von Speckle-Rauschen in der MRT und verwandten bildgebenden Verfahren, März 2020 bis März 2021.
• Verfasste an der Isfahan University of Technology eine Masterarbeit zur Vorhersage der Genexpression aus digitalen Pathologiebildern.
• Kombinierte im Ansatz der Masterarbeit Graph Neural Networks, Vision-Foundation-Modelle, adaptierte LLM-Techniken und statistische Methoden.
• Arbeitete in der Masterarbeit unter einer harten Vorgabe für Rechenaufwand und Latenz.

Technik

• Rechenaufwand und Latenz als Vorgaben

  Die Masterarbeit unterlag einer harten Vorgabe für Rechenaufwand und Latenz, mit dem Ziel, beides so gering wie möglich zu halten.

• Ausgelegt für Gigapixel-Eingaben

  Der Pathologie-Strang arbeitet direkt mit Whole-Slide-Bildern im Gigapixel-Format.

• Mehrere Modellfamilien, eine Vorhersage

  Graph-Methoden, Vision-Foundation-Modelle und adaptierte Sprachmodell-Methoden fließen in eine einzige Genexpressionsvorhersage ein, ergänzt durch statistische Methoden.

Ergebnisse

• Masterarbeit im September 2025 an der Isfahan University of Technology abgeschlossen; ein Paper ist in Vorbereitung.
• Projekt zur Reduktion von Speckle-Rauschen in der MRT für ein Privatunternehmen abgeschlossen, März 2020 bis März 2021.
• Masterarbeit: Vorhersage der Genexpression (Molekularbiologie) aus digitalen Pathologiebildern.