Cyron, Christian J.Christian J.Cyron11749076490000-0001-8264-0885Sardhara, TrushalTrushalSardhara2024-08-192024-08-192024Technische Universität Hamburg (2024)https://hdl.handle.net/11420/48745This 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.enhttps://creativecommons.org/licenses/by/4.0/Machine Learning3D ReconstructionFIB tomographySynthetic DataDomain AdaptationGenerative MLComputer Science, Information and General Works::006: Special computer methods::006.3: Artificial IntelligenceTechnology::621: Applied Physics::621.3: Electrical Engineering, Electronic EngineeringDoctoral Thesis10.15480/882.1321610.15480/882.13216Schaan, GunnarGunnarSchaanOther