Am 20. Januar 2026 fand an der Universität Passau der Kick-Off für das Projekt BeyondVoxels statt. In diesem innovativen Vorhaben, das auf eine Laufzeit von drei Jahren angelegt ist, arbeiten mehrere namhafte Institutionen zusammen, darunter das Fraunhofer IIS/EZRT und das Helmholtz-Zentrum Hereon. Das Hauptziel dieses Projektes ist die Entwicklung einer neuen Methode zur schnellen Verarbeitung von 3D-Röntgendaten.
Ein zentrales Problem im Bereich der Computertomographie (CT) sind die hohen Anforderungen an Rechenzeit und Speicherplatz bei der Auswertung der erzeugten Daten. Das Team um die Projektleiter Prof. Dr. Tomas Sauer, Prof. Dr. Christoph Heinzl und Dr. Julian Moosmann setzt daher auf eine wavelet-basierte Technik, die eine Reduzierung dieser Anforderungen ermöglichen soll.
Neue Ansätze und Techniken
Die Entwickler des Projekts planen eine hierarchische wavelet-basierte Verarbeitung, die es erlaubt, Daten in unterschiedliche Detailstufen zu unterteilen. Dies ist besonders wichtig für die Analyse hochauflösender 3D-Scans, die für verschiedene Anwendungsgebiete wie Kulturgüter, geologische und industrielle Werkstoffe von Bedeutung sind.
Diese neue Methode wird unterstützt durch eine umfangreiche Datenanalyse-Pipeline, die alle Schritte von der Vorverarbeitung bis zur interaktiven Visualisierung umfasst. Ein Software-Prototyp wird die Fähigkeit besitzen, CT-Datensätze im Terabyte-Bereich auf handelsüblicher Hardware darzustellen und zu analysieren.
Technologische Integration und Datenverknüpfung
Zusätzlich zu den Fortschritten im Bereich der 3D-Röntgentechnologie erforscht das Fraunhofer Entwicklungszentrum Röntgentechnik moderne kognitive Sensorsysteme. Diese Systeme generieren umfassende Datensätze, aus denen mit intelligenten, softwarebasierten Methoden gezielt Informationen extrahiert werden können. Die Verknüpfung dieser Sensordaten mit weiteren Metadaten spielt eine essentielle Rolle bei der Integration in anwendungsspezifische Kontexte.
Die Möglichkeit, Informationen über mehrere Messzeitpunkte zu aggregieren, führt zur Generierung von umfassendem Wissen, das datenbasierten Entscheidungen zugutekommt. Klassische Algorithmen sowie Machine Learning-Techniken werden zur Merkmalsextraktion aus Rohdaten verwendet, wodurch objektive Kriterien zur Bewertung der Informationen entstehen.
In Anwendungsbereichen wie der Materialforschung, Geologie und der Dokumentation von Kulturgütern verspricht die Kombination all dieser Technologien, die Effizienz und Qualität der Analysen deutlich zu verbessern. Zudem trägt die Entwicklung zu einer verstärkten Verbindung zwischen modernen Technologien und gesellschaftlichen Bedürfnissen bei.