Dieses kollaborative Forschungsprojekt, das gemeinsam mit den Gruppen von Prof. Heckel (TU München, Deutschland) und Prof. Schramm (KU Leuven,

Belgien) durchgeführt wird, zielt darauf ab, die Rekonstruktion statischer und dynamischer Positronen-Emissions-Tomographie (PET)-Bilddaten zu verbessern. Es adressiert zentrale Herausforderungen der PET-Bildgebung, wie etwa hohe Rauschpegel infolge begrenzter Aufnahmezeiten und Dosisbeschränkungen, durch die Integration von Methoden des maschinellen Lernens (ML) mit klassischen modellbasierten iterativen Rekonstruktionsverfahren.

Im Fokus des Projekts stehen die Entwicklung und Validierung fortgeschrittener ML-Ansätze sowie variationaler Rekonstruktionsmethoden, mit dem Ziel, sowohl Innovation als auch Robustheit in der statischen und dynamischen PET-Bildgebung zu gewährleisten. Ein zentrales Element ist der Aufbau eines hochwertigen, vielfältigen und frei zugänglichen PET-Rohdaten-Repositoriums, ergänzt durch offene Software-Werkzeuge zur Unterstützung der internationalen Forschungscommunity. Diese Infrastruktur ermöglicht eine systematische Evaluation ML-basierter und klassischer Rekonstruktionsverfahren und fördert methodische Weiterentwicklungen und wissenschaftliche Zusammenarbeit.

Darüber hinaus wird eine internationale Rekonstruktions-Benchmark-Challenge organisiert, um die Entwicklung und den fairen Vergleich neuer Algorithmen zu unterstützen und so die diagnostische Qualität der PET-Bildgebung zu verbessern. Durch die Kombination datengetriebener Verfahren mit klassischen Methoden und einem vertieften Verständnis der PET-Physik verfolgt dieses multidisziplinäre Projekt das Ziel, die klinischen Anwendungen der PET-Bildgebung weiter voranzubringen – zum Nutzen von Patienten und der wissenschaftlichen Gemeinschaft.