Hammernik, KerstinHölldobler, Steffen2022-01-242022-01-242020978-3-88579-775-3https://dl.gi.de/handle/20.500.12116/38002Diese Arbeit befasst sich mit Variationsnetzwerken, die Konzepte aus Variationsmethoden und maschinellem Lernen vereinen, sowie deren Applikation für diverse Inverse Probleme in der Bildrekonstruktion von Computertomographie- oder Magnetresonanztomographieaufnahmen. Obwohl es sich um unterschiedlichste Applikationen handelt, haben diese etwas gemeinsam: Die Art der Artefakte, die bei der Datenakquisition entstehen, sind so strukturiert, dass sie mit gewöhnlichen Algorithmen nicht zufriedenstellend rekonstruiert werden können. Mit den vorgestellten Variationsnetzwerken können diese Artefakte erheblich reduziert und gleichzeitig die Bildqualität verbessert werden. Infolgedessen eröffnen die vorgestellten Variationsnetzwerke das Potential, direkt in den klinischen Arbeitsablauf integriert zu werden, um so Patientenkomfort sowie -sicherheit zu verbessern, sowie die Kosten im Gesundheitswesen zu reduzieren.deText/Conference Paper