Forschung und Entwicklung im Kompetenzfeld Biosystems Engineering

Die gebräuchliche Herangehensweise zur Messung verschiedenster Kenngrößen ist der Einsatz von Sensoren, welche eine Ersatzgröße messen, die in einem einfachen Zusammenhang mit der eigentlichen Kenngröße steht. Diese Sensoren werden auch „Hardwaresensoren“ genannt. Die Abbildung wird meist über Kennlinien realisiert. In vielen Fällen können direkte Messverfahren jedoch nicht eingesetzt werden, z.B. wenn

1. Parameter aufgrund mangelnder Sensortechnik nicht direkt messbar sind,
2. Sensoren zu teuer sind, vor allem wenn diese an vielen Punkten eines Prozesses eingesetzt werden müssten,
   
3. Sensoren in einer Umgebung eingesetzt werden, in der sie schnell verschleißen würden.

Hier werden sogenannte Softsensoren (Virtuelle Sensoren) eingesetzt. Diese Sensorsysteme bestehen aus zwei grundsätzlichen Komponenten. Eine Komponente besteht aus einem oder mehreren Sensoren, welche indirekte Größen liefern, die in einem systematischen, aber mathematisch komplexen oder nicht analytisch beschreibbaren Zusammenhang mit der Zielgröße stehen. Die zweite Komponente ist ein physikalisches oder empirisches Modell, welches die Zielgröße aus den Sensordaten ermittelt. Während ein physikalisches Modell eine formelle Beschreibung liefert, enthält das empirische Modell eine Approximation der Funktion, welche die Sensordaten auf die Zielgröße abbildet.

Das Kompetenzfeld Biosystems Engineering beschäftigt sich mit der Entwicklung von Verfahren der künstlichen Intelligenz und des Maschinellen Lernens, um schnell und effizient empirische Modelle auf der Basis von systematischen Beispieldaten zu erstellen. Dabei zeichnen sich diese Modelle durch folgende Merkmale aus:

1. Skalierbarkeit: Die Verarbeitungskomplexität kann graduell an vorhandene Hardware angepasst werden.
   
2. Robustheit: Das Modell ist robust gegen auftretende Variationen in den Daten, welche irrelevant zur Errechnung der Zielgröße sind.
   
3. Automatisierung: Modellerstellung und Methodenauswahl können weitestgehend automatisiert werden.
   
4. Echtzeitfähigkeit: Modelladaption und Wissensabruf genügen Echtzeitanforderungen.
   
5. Interpretierbarkeit: Das Modell ist typischerweise in der originalen physikalischen Datendomain definiert und lebt somit in der Welt des Anwenders.

Backhaus, A. & Seiffert, U., Classification in High-dimensional Spectral Data: Accuracy vs. Interpretability vs. Model Size, Neurocomputing, 2014, 131, 15-22

Villmann, T.; Kästner, M.; Backhaus, A. & Seiffert, U., Processing Hyperspectral Data in Machine Learning. Proceedings of the 21. European Symposium on Artificial Neural Networks ESANN 2013, 1-10

Die Erhebung spektraler Daten ermöglicht generell Rückschlüsse auf die stoffliche Zusammensetzung der untersuchten Probe. Im Falle der Verfügbarkeit ortsaufgelöster Spektraldaten (z. B. durch Spektralkameras, oder MALDI-Imaging) entstehen äußerst komplexe Datensätze, die spezielle Analyseverfahren erfordern, um die darin enthaltenen relevanten Informationen zu extrahieren. Hierzu betreibt das Kompetenzfeld Biosystems Engineering umfangreiche Forschungsarbeiten zur Entwicklung angepasster Algorithmen, die klassische Statistik und neueste Methoden des maschinellen Lernens und der künstlichen Intelligenz verbinden. Diese Forschungsarbeiten sind wiederum der Ausgangspunkt für die Entwicklung kundenspezifischer Lösungen in unterschiedlichen Anwendungsfeldern.

Bollenbeck, F. & Seiffert, U. Application-adaptive Dissimilarity Measures for Hyperspectral Images, Machine Learning Reports, 2010, 4, 23-27

Seiffert, U. & Bollenbeck, F., Clustering of Hyperspectral Image Signatures Using Neural Gas, Machine Learning Reports, 2010, 4, 49-59

Seiffert, U.; Bollenbeck, F.; Mock, H.-P. & Matros, A. Clustering of Crop Phenotypes by Means of Hyperspectral Signatures Using Artificial Neural Networks, Proceedings of the 2nd IEEE Workshop on Hyperspectral Imaging and Signal Processing: Evolution in Remote Sensing WHISPERS 2010, IEEE Press, 2010, 31-34

Backhaus, A.; Bollenbeck, F. & Seiffert, U. Robust classification of the nutrition state in crop plants by hyperspectral imaging and artificial neural networks, In Proc. 3rd Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing, WHISPERS 2011, IEEE Press, 2011

Das Kompetenzfeld Biosystems Engineering entwickelt grundlegende Algorithmen und kundenspezifische Werkzeuge sowie Systemlösungen zur intelligenten Bild- und Signalverarbeitung. Seitens der Anwendungen liegt der Fokus auf hochdimensionalen biologischen Daten und deren automatisierter und hochdurchsatzfähiger Analyse unter Einbeziehung insbesondere von nicht-explizit vorhandenem Expertenwissen. Seitens der verwendeten Methodik kommen, neben klassischen mathematischen/statistischen Ansätzen, verstärkt Verfahren des maschinellen Lernens und der künstlichen Intelligenz zum Einsatz.

Seiffert, U.: Content Adaptive Compression of Images Using Neural Maps. Proc. of the International Workshop on Self-Organizing Maps WSOM 2005, Paris, France, pp. 227-234, 2005.

Herzog, A.; Herrmann, C.S.; Seiffert U.; Michaelis, B. & Braun, K.: Quantitative 3-D analysis of dendritic spines using geometric models. Society of Neuroscience 2010, 516.11

Dreidimensionale (räumliche) oder vierdimensionale (räumlich-zeitliche) geometrische Modelle biologischer Objekte dienen vorwiegend, neben der reinen morphologischen Darstellung, der Visualisierung experimenteller Daten in ihrem räumlich-zeitlichen Kontext. Das bezeichnet man häufig als Atlasfunktionalität. Je nach Anforderungen an das Modell (z. B. örtliche Auflösung, Sichtbarkeit bestimmter Strukturen) kommen verschiedene bildgebende Verfahren zum Einsatz:

1. Kernspinresonanzspektroskopie
2. Konfokales Laserscanning
3. Computertomographie

In manchen Fällen muss der dreidimensionale Zusammenhang anhand zweidimensionaler Bilder (z. B. histologische Schnittbilder) erst hergestellt werden.

Die erstellten kundenspezifischen Modelle werden in einer Reihe von Projekten zur Registrierung weiterer struktureller Informationen anderer Modalitäten oder funktioneller Daten verwendet. Dadurch ist eine Abbildung bestimmter biologischer Funktionen in räumlichen oder räumlich-zeitlichen strukturellen Mustern möglich. Dazu entwickelt das Kompetenzfeld Biosystems Engineering angepasste mathematische Algorithmen und Werkzeuge, die eine automatisierte Registrierung der o. g. Daten ermöglicht.

Erst durch die Verfügbarkeit derartiger Werkzeuge im Hochdurchsatz lassen sich bestimmte biologische Fragestellungen, z. B. im Rahmen umfangreicher Mutanten-Screenings, adressieren.

Diese virtuellen computerbasiertenModelle können mittels unterschiedlicher dreidimensionaler Projektionstechnik zur individuellen Verifikation sowie für Ausbildungs- und Präsentationszwecke eindrucksvoll und anschaulich dargestellt werden. Hierzu verfügt das Fraunhofer IFF Magdeburg über eine Reihe geeigneter Systeme.

Bollenbeck, F. & Seiffert, U. Joint Registration and Segmentation of Histological Volume Data by Diffusion-Based Label Adaption, 20th International Conference on Pattern Recognition (ICPR), 2010 , 2010, 2440 -2443

Backhaus, A.; Kuwabara, A.; Bauch, M.; Monk, N.; Sanguinetti, G. & Fleming, A., LEAFPROCESSOR: a new leaf phenotyping tool using contour bending energy and shape cluster analysis, New Phytologist, 2010, 187, 251-261

Bollenbeck, F.; Pielot, R.; Weier, D.; Weschke, W. & Seiffert, U., Inter-modality Registration of NMRi and Histological Section Images using Neural Networks Regression in Gabor Feature Space, Proceedings of the IEEE Symposium on Computational Intelligence for Image Processing CIIP 2009, IEEE Press, 2009, 27-34

Bollenbeck, F.; Kaspar, S.; Mock, H.-P.; Weier, D. & Seiffert, U.; Rajasekaran, S. (Ed.) Three-dimensional Multimodality Modelling by Integration of High-Resolution Interindividual Atlases and Functional MALDI-IMS Data, Bioinformatics and Computational Biology, Springer, 2009, 5462, 126-139

Baum, T.; Navarro-Quezada, A.; Knogge, W.; Douchkov, D.; Schweizer, P. & Seiffert, U., HyphArea - Automated Analysis of Spatiotemporal Fungal Patterns, Journal of Plant Physiology, 2011, 168, 72-78