Sardhara, Trushal
[Verfasser:in]
;
Cyron, Christian J.
[Akademische:r Betreuer:in];
Schaan, Gunnar
[Akademische:r Betreuer:in]Technische Universität Hamburg,
Technische Universität Hamburg Institute of Continuum Mechanics and Materials Mechanics
3D reconstruction of FIB tomography data using machine learning
Hochschulschrift:
Dissertation, Technische Universität Hamburg, 2024 (cumulative Dissertation)
Anmerkungen:
Enthält Zeitschriftenaufsätze
Sonstige Körperschaft: Technische Universität Hamburg, Institute of Continuum Mechanics and Materials Mechanics
Beschreibung:
This thesis introduces methods for accurate 3D reconstruction of FIB tomography data using machine learning. It addresses challenges in obtaining large datasets and ground truth values, proposing a method for virtual FIB tomography data generation and an isotropy-based validation method. ML-based segmentation methods tackle issues in BSE images, like the shine-through effect and image intensity ambiguities. Integrating the slice repositioning method with image inpainting resolves inconsistencies in slice thicknesses in FIB tomography data. Additionally, a multimodal machine learning approach using multivoltage images further enhances 3D reconstruction accuracy.
In dieser Arbeit werden Methoden für die 3D-Rekonstruktion von FIB-Tomographiedaten mithilfe von maschinellem Lernen vorgestellt. Es befasst sich mit den Herausforderungen bei der Datenerfassung und dem Fehlen von Wahrheitsdaten; und schlägt eine virtuelle Datengenerierung und eine auf Isotropie basierende Validierung vor. Die ML-basierte Segmentierung löst Probleme wie den shine-through effekt und die Mehrdeutigkeit der Bildintensität in BSE-Bildern. Durch die Integration der Neupositionierung von Schichten und der Methode der Bildverbesserung werden Inkonsistenzen in der Schichtdicke beseitigt. Ein multimodaler Lernansatz mit Multivoltage-Bildern verbessert die Genauigkeit der 3D-Rekonstruktion weiter.