Publikationsdatenbank ePub FH Technikum Wien
Not a member yet
8072 research outputs found
Sort by
From Preferences to Places: Recommending Tourist Attractions through User and Item Similarity in Graph Databases
No full textIm Kontext des digitalen Tourismus stellen personalisierte Empfehlungen einen entscheidenden Ansatz zur Optimierung persönlicher Reiseerfahrungen dar. Die vorliegende Masterarbeit beschäftigt sich mit der Konzeption und der Entwicklung eines Empfehlungssys- tems für touristische Attraktionen auf der Grundlage von Graphdatenbanken. Ziel ist es, die Schwächen klassischer relationaler Datenbanken zu überwinden und Herausforderungen wie komplexe Modellierung und Abfragen, sowie geringe Datendichte effektiv zu bewältigen.Das System kombiniert nutzer- und objektbasierte, kollaborative Filterverfahren und wird durch kontextuelle Informationen wie Sentiment-Analyse, Standortdaten und Preisniveaus ergänzt. Dadurch entsteht ein hybrider Empfehlungsansatz zur individuellen Auswahl von Sehenswürdigkeiten. Die technische Umsetzung erfolgt mithilfe der Graphdatenbank Neo4j, in der Nutzerpräferenzen und Merkmale touristischer Orte in einem Datenmodell abgebildet werden.Zwei Datensätze bilden die Grundlage des Systems: ein eigens erhobener Datensatz von der Tourismus-Plattform TripAdvisor, ergänzt mit Informationen von der Google Places API, sowie ein strukturierter und aufbereiteter Datensatz aus der bestehenden Forschung. Ähnliche Nutzer und Orte werden mittels Kosinus-Ähnlichkeit ermittelt, die entsprechenden Abfragen werden in der Abfragesprache Cypher formuliert. Die Evaluation der Ergebnisse erfolgt mittels Root Mean Square Error zur Validierung des entwickelten Ansatzes.Die Ergebnisse zeigen, dass graphbasierte Empfehlungssysteme ein flexibles, nachvollzieh- bares und leistungsfähiges Instrument zur Bereitstellung personalisierter und oft weniger be- kannter touristischer Ziele darstellen. Diese Arbeit leistet einen praxisnahen Beitrag zur kon- textsensitiven Reiseempfehlung und unterstützt Reisende dabei, fundierte Entscheidungen zu treffen und individuelle Urlaubserlebnisse gezielt zu gestalten.In the age of digital tourism, personalized recommendations have become essential to en- hance a traveler’s experience. This thesis investigates the development of a tourism recom- mender system using graph databases to overcome the limitations of traditional relational mod- els and address challenges such as complex modeling and querying, data sparsity and cold- start problems. The system leverages both user-based and item-based collaborative filtering, enriched with contextual information such as sentiment, geography, and price levels, to sup- port hybrid filtering and suggest personalized points of interest.The recommender system is implemented by integrating user preferences and content attrib- utes within a graph database model using Neo4j. Two datasets form the foundation of the system: one was self-collected from the tourism platform TripAdvisor and enriched with the Google Places API and another structured set from existing research was used. Experiments demonstrate the effectiveness of using cosine similarity to identify similar users and items, with query-based recommendation logic expressed via Cypher. Evaluation through root mean square error validates the accuracy of the approach.The results indicate that graph-based recommendation systems provide a flexible, interpreta- ble, and efficient framework that could assist in surfacing personalized and lesser-known tour- ist attractions. This research contributes a practical methodology for context-aware travel rec- ommendations, supporting tourists in making informed decisions.by: Sarah EttlMasterarbeit Fachhochschule Technikum Wien 202
Extrapolation of Missing Passenger Data to Enhance Train Occupancy Monitoring
No full textDiese Arbeit stellt ein umfassendes Machine-Learning-Framework zur Vorhersage fehlender Fahrgastbelegungsdaten im Regionalverkehr vor. XGBoost übertraf Random Forest und Decision Tree hinsichtlich der Vorhersagegenauigkeit. Ein kritischer Befund zeigt jedoch, dass die Leistung von XGBoost trotz reduzierter Merkmale, die 98 % der Varianz erklären, bei Merkmalsreduzierung drastisch abnimmt. Im Gegensatz dazu profitiert Random Forest von der Merkmalsauswahl. Die Studie identifizierte 18 kritische Merkmale, die zeitliche Muster, betriebliche Eigenschaften und Streckenkomplexität umfassen und für eine genaue Vorhersage unerlässlich sind. Die visuelle Diagnoseanalyse bestätigt die Überlegenheit von XGBoost durch enges Clustering um die Vorhersagelinien, minimale systematische Verzerrung und die Einhaltung der Normalitätsannahme. Zu den wichtigsten Beiträgen gehört ein Framework zur Merkmalsabhängigkeit, das evidenzbasierte Richtlinien zur Modellauswahl bereitstellt: XGBoost für maximale Genauigkeit bei vollem Funktionsumfang, Random Forest für ausgewogene Leistung bei Merkmalsreduzierung und Decision Tree für Recheneffizienz. Zusätzlich ermöglicht ein interaktives Apache-Superset-Dashboard den Beteiligten die Visualisierung von Belegungsmustern und die Bewertung der Vorhersagequalität. Diese Erkenntnisse liefern umsetzbare Richtlinien für die Implementierung von Lösungen für maschinelles Lernen in Transportsystemen und unterstreichen die entscheidende Bedeutung der Funktionsvollständigkeit bei der Auswahl von Algorithmen für die datengesteuerte Transportplanung.This thesis introduces a robust machine learning framework for predicting missing passenger occupancy data in regional train services. XGBoost outperformed Random Forest and Decision Tree in terms of predictive accuracy. However, a critical finding reveals that, despite reduced features explaining 98% of the variance, XGBoost's performance deteriorates dramatically under feature reduction. In contrast, Random Forest benefits from feature selection. The study identified 18 critical features, spanning temporal patterns, operational characteristics, and route complexity, that are essential for accurate prediction. Visual diagnostic analysis confirms XGBoost's superiority through tight clustering around the prediction lines, minimal systematic bias, and adherence to the normality assumption. Key contributions include a feature dependency framework that provides evidence-based model selection guidelines: XGBoost for maximum accuracy with full features, Random Forest for balanced performance with feature reduction, and Decision Tree for computational efficiency. Additionally, an interactive Apache Superset dashboard enables stakeholders to visualize occupancy patterns. These findings provide actionable guidelines for implementing machine learning solutions in transportation systems and highlight the critical importance of feature completeness in selecting algorithms for data-driven transport planning.by: Julija FolicMasterarbeit Fachhochschule Technikum Wien 202
Validierung und Evaluierung einer Augmented Reality Handyapplikation zur Simulation von Fehlsichtigkeiten
No full textEinschränkungen der Sehfähigkeit wirken sich erheblich auf das tägliche Leben betroffener Personen aus. Augmented-Reality (AR) Technologien können zur Simulation von Augenerkrankungen genutzt werden, um visuelle Einschränkungen direkt im Alltag nachzuempfinden und so das Verständnis für die Herausforderungen von Menschen mit Sehbehinderungen zu verbessern. Die AR-Applikation „Simulation of Visual Impairments“ wurde im Jahr 2024 von einem Studierenden der FH Technikum Wien entwickelt. Sie simuliert acht verschiedene Augenerkrankungen in jeweils zwei Schweregraden und ist für das Betriebssystem Android konzipiert. Im Rahmen dieser Arbeit wurde die Anwendung mittels drei Methoden evaluiert: einer Online-Umfrage zur Bewertung der Simulationen von Augenerkrankungen durch Expert*innen (n = 7) aus den Bereichen Augenheilkunde und Optometrie, einer Teilprüfung der Barrierefreiheit anhand der Analyse von Kontrastverhältnissen gemäß WCAG 2.2 und einem Usability-Test (n = 5) mit anschließender Auswertung standardisierter Fragebögen (SUS und HARUS). Für die Tests kam eine kostengünstige AR-Brille zum Einsatz. Die Darstellung der Simulationen wird insgesamt neutral bis eher positiv bewertet, wobei insbesondere Farbsehstörungen eine hohe Realitätsnähe aufweisen. Die Usability der App liegt unter dem anerkannten Richtwert für eine zufriedenstellende Benutzer*innenfreundlichkeit, wobei die Verständlichkeit der Inhalte von den Testpersonen positiv bewertet wird. In Bezug auf die Barrierefreiheit zeigen sich bei einzelnen Elementen unzureichende Kontrastverhältnisse. Die Ergebnisse weisen auf Optimierungspotenziale in den Bereichen Darstellungstreue der Simulationen, Interaktionsdesign und visueller Gestaltung hin. Die Applikation stellt dennoch ein niedrigschwelliges und kostengünstiges Instrument zur Empathieförderung dar, das bei entsprechender Weiterentwicklung ein Potenzial für Gesundheitsaufklärung sowie zur Unterstützung von Inklusion im Umgang mit sehbeeinträchtigten Menschen bietet.Restrictions in visual ability have a significant impact on the daily lives of affected people. Augmented-Reality (AR) technologies can be used to simulate eye diseases, allowing users to experience visual impairments in everyday contexts and therefore improve understanding of the challenges faced by people with visual disabilities. The AR-application “Simulation of Visual Impairments” was developed in 2024 by a student at FH Technikum Wien. It simulates eight different eye conditions in two severity levels each and is designed for the Android operating system. In this paper, the application was evaluated using three methods: an online questionnaire completed by experts (n = 7) in ophthalmology and optometry to rate the simulations of the eye diseases, a partial accessibility test based on the analysis of contrast ratios according to WCAG 2.2 guidelines, and a usability test (n = 5), followed by the evaluation of standardized questionnaires (SUS and HARUS). Low-cost AR glasses were used for the tests. The visual simulations were rated overall as neutral to rather positive, with simulations of color vision deficiencies receiving higher ratings for realism. The app's usability falls below the recognized benchmark for satisfactory user-friendliness, although the test subjects rated the comprehensibility of the content positively. In terms of accessibility, several interface elements do not meet the recommended contrast ratios. The results indicate potential for optimization in the accuracy of visual representations, interaction design, and visual layout. Nevertheless, the application presents a cost-effective tool for promoting empathy which, with further development, offers potential for health education and the support of inclusion.ausgeführt von: Meline NavasartianMasterarbeit Fachhochschule Technikum Wien 202
Deep Reinforcement Learning for Scheduling Problems with Precedence Constraints
No full textDiese Arbeit wendet Deep Reinforcement Learning (DRL) auf ein Scheduling Problem mit Präzedenzbedingungen und asymmetrischen Rüstkosten an. Ziel ist die Bestimmung von Reihenfolgen von Aufgaben, die die gesamte Ausführungszeit minimieren. Das Problem ist durch Instruction Scheduling in der Compiler-Optimierung motiviert und wird als Sequential Ordering Problem modelliert, eine Variante des asymmetrischen Travelling Salesperson Problem mit Präzedenzbedingungen.Ein Proximal Policy Optimization (PPO)-Agent mit Action Masking konstruiert Lösungen schrittweise. Er wurde auf fünf Instanztypen (Euclidean, Random-Distances, String-Distance, Flow-Shop, Clustered) mit variierender Anzahl von Präzedenzbedingungen trainiert. Der RL-Agent wird auf Instanzen mit 25 Aufgaben mit den Heuristiken Nearest Neighbor und Cheapest Insertion, Google OR-Tools sowie einem Ant Colony System Algorithmus verglichen. Er erzielt mittlere Gesamtausführungszeiten (Mittelwert ± 95% CI) von 6.01 ± 0.10 bei Euclidean-Instanzen (Ant Colony System: 4.83 ± 0.07; RL ≈ 24% länger), 8.41 ± 0.10 bei Random-Distances-Instanzen (Ant Colony System: 7.06 ± 0.07; RL ≈ 19% länger), 14.36 ± 0.11 bei String-Distance-Instanzen (Ant Colony System: 13.19 ± 0.10; RL ≈ 9% länger), 6.03 ± 0.11 bei Flow-Shop-Instanzen (Ant Colony System: 5.40 ± 0.10; RL ≈ 12% länger) und 4.35 ± 0.09 bei Clustered-Instanzen (Ant Colony System: 3.48 ± 0.06; RL ≈ 25% länger). Der Agent schneidet besser ab als die Nearest Neighbour-Heuristik bei Euclidean, Random-Distances, Flow-Shop und String-Distance, ist aber bei Clustered-Instanzen schlechter.Zusammenfassend benötigt der Agent instanzspezifisches Fine-Tuning und ist hinsichtlich der Qualität der Lösungen noch nicht mit state-of-the-art Solvern konkurrenzfähig, obwohl er die einfache Nearest Neighbor-Heuristik in einigen Instanztypen übertrifft.This thesis applies deep reinforcement learning (DRL) to task-scheduling problem with precedence constraints and asymmetric changeover costs. The objective is to determine task sequences that minimize total execution time. The problem is motivated by instruction scheduling in compiler optimization and is modelled as a Sequential Ordering Problem, a variant of the asymmetric Travelling Salesperson Problem with precedence constraints. A Proximal Policy Optimization (PPO) agent with action masking constructs solutions task-by-task. It is trained on five instance types (Euclidean, Random Distances, String Distance, Flow Shop, Clustered) with varying numbers of precedence constraints. The RL agent is compared to Nearest Neighbor and Cheapest Insertion heuristics, Google OR-Tools, and an Ant Colony System on instances with 25 tasks.It achieves total execution times (mean ± 95% CI) of 6.01 ± 0.10 on Euclidean instances (Ant Colony System: 4.83 ± 0.07; RL ≈ 24% longer), 8.41 ± 0.10 on Random Distances instances (Ant Colony System: 7.06 ± 0.07; RL ≈ 19% longer), 14.36 ± 0.11 on String Distance instances (Ant Colony System : 13.19 ± 0.10; RL ≈ 9% longer), 6.03 ±0.11 on Flow Shop instances (Ant Colony System: 5.40 ± 0.10; RL ≈ 12% longer), and 4.35 ± 0.09 on Clustered instances (Ant Colony System: 3.48 ± 0.06; RL ≈ 25% longer). The agent performs better than the Nearest Neighbor heuristic on Euclidean, Random Distances, Flow Shop and String Distance instances, and worse on Clustered instances.In conclusion, the trained RL agent requires instance-specific fine-tuning and is not yet competitive with state-of-the-art solvers in overall solution quality, although it outperforms a simple Nearest Neighbor heuristic on some instance types.by: Elisabeth BanklMasterarbeit Fachhochschule Technikum Wien 202
Untersuchung verschiedener Ansätze zur vereinfachten FEM-Simulation eines 1x7 Drahtseils
No full textDiese Arbeit untersucht und bewertet, wie ein 1x7-Seil simuliert werden kann und welche verschiedenen Strategien zur Vereinfachung von Drahtseilmodellen existieren, um einen optimalen Kompromiss zwischen Genauigkeit und Effizienz zu finden. Hierzu wurde zunächst ein detailliertes Finite-Elemente-Modell (Vollmodell) mit expliziter Kontaktmodellierung erstellt und hinsichtlich der Zugbeanspruchung sowie einer kombinierten Zugund Biegebeanspruchung mit der analytischen Theorie nach Papailiou verglichen. Für die Zugbeanspruchung wurde ein Rundstabmodell mit angepasstem E-Modul als Ersatzmodell entwickelt. Bei der kombinierten Zug- und Biegebelastung wurden zwei Vereinfachungsansätze entwickelt: eine geometrische Vereinfachung mittels flächenäquivalenter, hexagonaler Drahtquerschnitte und eine materialbasierte Vereinfachung, die das Stick-Slip-Verhalten durch ein kalibriertes, bilineares Materialgesetz auf einem homogenisierten Rundstab abbildet. Die Ergebnisse zeigen, dass das Vollmodell hinsichtlich der Zugbeanspruchung eine gute Übereinstimmung mit der Theorie aufweist, wobei die axiale Steifigkeit in der Simulation um 9.2% geringer ausfiel. Bei der kombinierten Zug- und Biegebelastung war die Übereinstimmung nicht optimal, woraufhin eine Parameterstudie durchgeführt wurde. Dabei zeigte sich, dass der „Elastic Slip“-Wert sowie die „Penetration Tolerance“ den größten Einfluss auf das Biegemoment haben. Die Vereinfachungsansätze konnten die Rechenzeit reduzieren. Das hexagonale Modell führte zu einer niedrigeren Biegesteifigkeit im Gleitbereich. Beim bilinearen Modell zeigte sich, dass eine Entscheidung getroffen werden muss, ob die Kalibrierung des E-Moduls auf der axialen Steifigkeit oder der Biegesteifigkeit im Haftbereich basieren soll. Im Gleitbereich ist die Steifigkeit beim bilinearen Ersatzmodell 2,7-mal höher als beim Vollmodell. Dennoch zeigte sich, dass dieser Ansatz hinsichtlich der Recheneffizienz großes Potenzial besitzt.The present thesis investigates and evaluates the potential for simulating a 1x7 wire rope and assesses various strategies for simplifying the models, with a view to identifying an optimal compromise between accuracy and efficiency. To this end, a detailed finite element model (full model) with explicit contact modelling was created and compared with the analytical theory by Papailiou for both axial loading and combined tension-bending loads. In order to facilitate the analysis of axial loading, a substitute rod model with an adjusted Young’s modulus was developed. For the combined tension-bending load case, two simplification approaches were devised. Firstly, a geometric simplification using area-equivalent hexagonal wire cross-sections. Secondly, a material-based simplification that replicates the stick-slip behaviour using a calibrated bilinear material law on a homogenised rod. The findings demonstrate that the full model exhibits a strong correlation with the theoretical framework for axial loading, despite the axial stiffness in the simulation being 9.2% lower. With regard to combined tension and bending, the existing agreement was not found to be optimal, thus prompting a parameter study. The research revealed that the ’Elastic Slip’ and ’Penetration Tolerance’ values exert the most significant influence on the bending moment. The simplification approaches were found to be efficacious in reducing computation time. The hexagonal model resulted in a reduced bending stiffness during the slip phase. The bilinear model demonstrated that a decision must be made regarding the basis for calibrating the Young’s modulus, whether it be the axial stiffness or the bending stiffness during the stick phase. In the slip phase, the stiffness of the bilinear model is 2.7 times higher than that of the full model. Notwithstanding, this approach demonstrates considerable potential with regard to computational efficiency.ausgeführt von: Philip HirnMasterarbeit Fachhochschule Technikum Wien 202
Optimierung der DIY-Drohnenproduktion durch digitale Fertigungsmethoden und Simulation
No full textDiese Arbeit beschäftigt sich mit der Frage, wie digitale Fertigungstechnologien und Produktionssimulation den Bau von Do-It-Yourself-Drohnen (DIY-Drohnen) effizienter machen können. Ausgangspunkt ist die Beobachtung, dass Drohnen für zivile oder kommerzielle Anwendungen oft sehr teuer sind. Die existierenden Selbstbau-Anleitungen fokussieren sich meistens nur den üblichen Zusammenbau, jedoch kaum auf die Optimierung oder Skalierbarkeit des Produktionsprozesses.Das Ziel dieser Arbeit ist es, die Unterschiede in Produktionszeit, Kosten und Effizienz zwischen der manuellen Einzelmontage und verschiedenen automatisierten Fertigungsmethoden zu untersuchen. Hierfür wird sowohl ein praktischer Versuchsaufbau als auch Simulationen eingesetzt. Untersucht werden dabei mehrere Szenarien: die klassische Einzelmontage durch eine Person, manuelle Fertigung mit drei Personen, eine semi-automatisierte Produktion mit Unterstützung von Robotern und Microfactory-Konzepten sowie eine vollständig automatisierte Produktionslinie bei der Drohnen ohne menschliche Hilfe produziert werden.Es wurden auch Kostenschätzungen für verschiedene Produktionsarten, bei denen die Investitions- und Personalkosten sowie den Total Cost of Ownership (TCO) für verschiedene Zeiträume berechnet wurden. Es wird klar, dass Automatisierung mittels Microfactories und Robotern die Produktionsleistung deutlich erhöht, aber auch die Investitionen und laufenden Kosten beeinflusst Außerdem unterstützen SWOT-Analysen bei der praxisnahen Auswahl des sinnvollsten Produktionsmodells je nach Budget und Zielgruppe.Die Ergebnisse zeigen, dass durch Automatisierung und Digitalisierung, zum Beispiel mit Hilfe von Microfactories oder Robotersystemen die Produktionsleistung deutlich gesteigert werden kann. Gleichzeitig können Engpässe im Prozess erkannt und reduziert werden. Auf Basis dieser Erkenntnisse werden praxisorientierte Empfehlungen abgeleitet, die sich an verschiedene Zielgruppen richten, von Hobbyist:innen bis hin zu kleinen Unternehmen. Es sollen Möglichkeiten gezeigt werden wie Produktionsprozesse effizienter, kostengünstiger und bei Bedarf auch skalierbar gestaltet werden können.This thesis addresses the question of how digital manufacturing technologies and production simulation can make the construction of do-it-yourself drones (DIY drones) more efficient. The starting point is the observation that drones for civil or commercial applications are often very expensive. Existing DIY instructions usually focus only on the usual assembly, but hardly on the optimization or scalability of the production process.The aim of this thesis is to investigate the differences in production time, costs, and efficiency between manual individual assembly and various automated manufacturing methods. For this purpose, both a practical test setup and simulations are used. Several scenarios are being investigated: classic individual assembly by one person, manual production with three people, semi-automated production with the support of robots and microfactory concepts, and a fully automated production line in which drones are produced without human assistance.Cost estimates were also made for different types of production, calculating the investment and personnel costs as well as the total cost of ownership (TCO) for different periods. It is clear that automation using microfactories and robots significantly increases production output, but also affects investment and running costs. In addition, SWOT analyses support the practical selection of the most appropriate production model depending on budget and target group.The results show that automation and digitalization, for example with the help of microfactories or robot systems, can significantly increase production output. At the same time, bottlenecks in the process can be identified and reduced. Based on these findings, practical recommendations are derived that are aimed at various target groups, from hobbyists to small businesses. The aim is to show how production processes can be made more efficient, cost-effective, and, if necessary, scalable.ausgeführt von: Andi GrafMasterarbeit Fachhochschule Technikum Wien 202
Medical Image Super-Resolution with UNet-ViL: A Comparative Study on 2D Mouse CT Slices Against State-of-the-Art Models
No full textDie präklinische in-vivo Forschung mit Kleintieren stützt sich in hohem Maße auf Computertomographie (CT) Scans für die nicht-invasive Diagnose von Krankheiten, die Behandlungsplanung und die anatomische Bildgebung. Hochauflösende (HR) CT-Scans liefern scharfe,detaillierte Bilder, erhöhen jedoch die Strahlenbelastung, was zu Krankheiten wie Krebs führen kann. Eine Verringerung der Strahlenbelastung führt zu Scans mit niedriger Auflösung (LR) und Artefakten, welche die Diagnostik beeinträchtigen können. Superauflösende (SR) Technikenverbessern LR Bilder rechnerisch, stellen Details wieder her und verbessern die Diagnosesicherheit bei gleichzeitiger Reduzierung der Strahlenbelastung.Diese Masterarbeit untersucht eine neuartige Deep-Learning-Methode (DL): das U-Net-Vision-LSTM (UNet-ViL), welches das U-Net mit der Vision-LSTM (ViL)-Architektur kombiniert, um die Einschränkungen der State-Of-The-Art-Methoden (SOTA) zu überwinden. Es steht einDatensatz mit 69 HR CT-Scans von Mäusen zur Verfügung, die von der Medizinischen Universität Wien (MUW) zwischen dem 28.11.2022 und dem 30.12.2023 aufgenommen wurden. Um die domänenübergreifenden Fähigkeiten vom UNet-ViL zu bewerten, werden zusätzlich zweiöffentliche Datensätze herangezogen: DIV2K/Urban100 (natürliche RGB-Bilder einer breiten Vielfalt, einschließlich realer struktureller Szenen) und PANCREAS (abdominale CT-Scans). Das UNet-ViL-Modell wird mit vier SOTA-Modellen (MHCA, T2-Net, SwinIR und DAT) unterzwei Downsampling-Faktoren (×2 und ×4) verglichen. Das vorgeschlagene UNet-ViL-Modell konnte bei keinem Downsampling-Faktor die Leistung der SOTA-Modelle im Urban100-Testdatensatz (N = 100) erreichen. Bei den Testdatensätzen PANCREAS (N = 3614) und MUW-Mice (N = 2808) übertraf das UNet-ViL-Modell die SOTA-Modelle und erzielte auf der LPIPS-Metrik in allen vier einseitigen Wilcoxon signed-rank Tests mit Holm-Korrektur statistisch signifikante Ergebnisse (p_holm < 0, 00001). Auf beiden Datensätzen erzielte das UNet-ViL Modell die niedrigsten durchschnittlichen LPIPS-Werte: PANCREAS 0,0685 ± 0,0013 (×2) und 0,1891 ± 0,0070 (×4) sowie MUW-Mice 0,0560 ± 0,0027 (×2) und 0,2920 ± 0,0036 (×4). Diese Ergebnisse zeigen, dass das UNet-ViL-Modell für SR-Aufgaben geeignet ist, insbesondere bei CT-Scans. Dieser Ansatz könnte die präklinische Forschung voranbringen, indem er die Strahlenbelastung bei Tieren reduziert und gleichzeitig die Bildqualität bewahrt.Preclinical in vivo research with small animals relies heavily on Computed Tomography (CT) scans for non-invasive disease diagnosis, treatment planning, and anatomical imaging. High-Resolution (HR) CT scans provide sharp, detailed images, but they also increase radiation exposure, which can lead to diseases such as cancer. Reducing radiation exposure results in Low-Resolution (LR) scans with artefacts that may compromise diagnostics. Super-Resolution (SR) techniques computationally enhance LR images, restoring details and improving diagnostic reliability while reducing radiation exposure.This study explores a novel Deep Learning (DL) method: the U-Net-Vision-LSTM (UNet-ViL), which combines the U-Net, with the Vision-LSTM (ViL) architecture to overcome the limitations of State-Of-The-Art (SOTA) methods. A dataset of 69 HR CT scans of mice, acquired by the Medizinische Universität Wien (MUW) between 28.11.2022 and 30.12.2023, is provided. To evaluate the cross-domain capabilities of the UNet-ViL, two additional public datasets are included: DIV2K/Urban100 (natural RGB images of a wide diversity, including real-world structuralscenes) and PANCREAS (abdominal CT scans). The UNet-ViL model is compared with four SOTA models (MHCA, T2-Net, SwinIR, and DAT) at two downsampling factors (×2 and ×4).The proposed UNet-ViL model is unable to match the performance of the SOTA models on the Urban100 (N = 100) test dataset for any downsampling factor. However, on the PANCREAS (N = 3,614) and MUW-Mice (N = 2,808) test datasets, the UNet-ViL model outperformed the SOTA models, achieving statistically significant results on the LPIPS metric across all four onesided Wilcoxon signed-rank tests with Holm correction (p_holm < 0.00001). On both datasets, the UNet-ViL model achieves the lowest average LPIPS values: PANCREAS 0.0685 ± 0.0013 (×2) und 0.1891 ± 0.0070 (×4), and MUW-Mice 0.0560 ± 0.0027 (×2) und 0.2920 ± 0.0036 (×4). These results indicate that the UNet-ViL model is well-suited for SR tasks, particularly with CT scans. This approach could advance preclinical research by reducing radiation exposure in animals while preserving image quality.by: Elias MarconMasterarbeit Fachhochschule Technikum Wien 202
Deep Learning-Based Organ Segmentation in Preclinical Mouse PET/CT Imaging
No full textMausmodelle sind die am häufigsten verwendeten Organismen zur Erforschung menschlicher Krankheiten und daher von großer Bedeutung für die präklinische Bildgebung. Obwohl die Bildgebung bei Mäusen bereits wertvolle Erkenntnisse liefert, hängt ihr volles Potenzial von der präzisen Abgrenzung anatomischer Strukturen ab. Die Segmentierung medizinischer Bilder wurde in der Regel manuell durchgeführt, was zeitaufwändig, fachkenntnisabhängig und anfällig für subjektive Beurteilungstendenzen ist. Selbst mit fortgeschritteneren Ansätzen bleibt die Segmentierung von Organen in CT- und PET-Bildern von Mäusen aufgrund der anatomischen Unterschiede zwischen den Individuen und des geringen Weichteilkontrasts von CT-Scans eine große Herausforderung.Um dieses Problem zu lösen, wurde ein Datensatz von 45 PET- und 18 CT-Scans verwendet, um Deep-Learning-Modelle für die automatisierte Ganzkörper-Organsegmentierung zu entwickeln und zu vergleichen. Es wurden manuelle Annotationen, Datenvorverarbeitung und das Training von U-Net- und nnU-Net-Architekturen durchgeführt, wobei die Leistung der Modelle anhand von Standard-Segmentierungsmetriken bewertet wurde.Die Deep-Learning-Modelle, nnU-Net und U-Net, wurden für die Organsegmentierung in PET-, CT- und PET+CT-Bildgebung evaluiert. Insgesamt schnitt nnU-Net in allen Modalitäten besser ab und erreichte seine beste Performance bei PET-Scans (Dice ). Die größte Verbesserung wurde bei CT beobachtet: Hier übertraf nnU-Net, U-Net um fast 10\% , während die Gewinne bei PET und PET+CT geringer ausfielen (1–2\%). Die Anwendung spezifischer Verarbeitungsschritte auf die Segmentierungsmasken steigerte die Leistung des 2D-U-Net bei PET+CT-Scans weiter. Die Segmentierung kontrastreicher Organe, wie etwa das Gehirn, war zuverlässig (88–95 \%), während kontrastarme Bereiche weiterhin schwer abzugrenzen waren.Die Ergebnisse dieser Arbeit zeigen, dass Deep Learning auch mit relativ kleinen Datensätzen robuste Segmentierungsergebnisse liefern kann. Die PET-Bildgebung profitierte von ihrem höheren Kontrast, während die CT eine größere Herausforderung darstellte, aber auch am meisten von der Verwendung von nnU-Net profitierte. Während bestimmte Verarbeitungsstrategien dazu beitrugen, einige Schwächen des Modells zu beheben, erfordert die Übertragung in die medizinische Praxis größere Datensätze und zuverlässigere Registrierungsstrategien.Mouse models are the most widely used organisms to study human diseases and are therefore of great importance in preclinical imaging. Although mouse imaging already provides valuable insights, its full potential depends on precise delineation of anatomical structures. Medical image segmentation has traditionally been performed manually, a process that is time-intensive, expertise-dependent, and prone to bias. Even with more advanced approaches, the segmentation of organs in mouse CT and PET images remains a major challenge due to anatomical heterogeneity across individuals and the low soft tissue contrast of CT scans.To address this, a curated dataset of 45 PET and 18 CT scans was used to develop and benchmark deep learning models for automated whole-body organ segmentation. Manual annotation, data preprocessing, and training of U-Net and nnU-Net architectures were conducted, with performance evaluated using standard segmentation metrics.The deep learning models, nnU-Net and U-Net, were evaluated for organ segmentation in PET, CT, and PET+CT imaging. Overall, nnU-Net performed better across all modalities, achieving its highest accuracy on PET scans (Dice ). The largest performance gap was observed in CT, where nnU-Net outperformed U-Net by nearly 10\%, while gains in PET and PET+CT were smaller (1–2\%). Applying specific preprocessing steps to the segmentation masks further boosted the performance of the 2D U-Net on PET+CT scans. Segmentation of high-contrast organs such as the brain was reliable (88–95\%), whereas low-contrast regions remained difficult to delineate.The results of this thesis show that deep learning can provide robust segmentation results even with relatively small datasets. PET imaging benefited from its higher contrast, whereas CT was more challenging but also gained the most from the usage of nnU-Net. While certain preprocessing strategies helped address some limitations, translation into medical practice will require larger datasets and more reliable registration strategies.by: Ayah El-SharkawyMasterarbeit Fachhochschule Technikum Wien 202
Market Analysis of the Czech Food and Beverage Industry for Valves and Sensors
No full textDie tschechische Lebensmittel- und Getränkeindustrie (F&B) leistet einen wesentlichen Beitrag zum nationalen BIP und wird derzeit durch Effizienzanforderungen, regulatorische Vorgaben und Prozesskontrolle geprägt. Ventile und Sensoren sind entscheidend für eine verlässliche Automatisierung, Prozesseffizienz und die Einhaltung regulatorischer Anforderungen, doch über ihre spezifischen Marktdynamiken und Strukturen in Tschechien ist wenig bekannt.Diese Arbeit untersucht die wichtigsten internationalen Akteure auf dem tschechischen Markt für Ventile und Sensoren und analysiert, wie sich ihre Strategien und Produktportfolios unterscheiden. Zudem werden die Anforderungen und Präferenzen tschechischer F&B-Unternehmen untersucht und bewertet, welche Strategien für Anbieter am vielversprechendsten erscheinen, um Marktanteile zu erhöhen. Während Ventile und Sensoren bereits auf europäischer Ebene betrachtet wurden, liegt bislang keine umfassende Analyse für Tschechien vor.Die Untersuchung basiert sowohl auf Primär- als auch auf Sekundärdaten. Primärdaten wurden durch eine Umfrage unter F&B-Herstellungsunternehmen erhoben, während Sekundärdaten aus Statista, Herstellerwebseiten und branchenspezifischen Publikationen stammen. Die Analyse identifiziert internationale Unternehmen wie Alfa Laval, GEA, Endress+Hauser und Bürkert als die sichtbarsten Marktakteure, während Informationen über lokale Anbieter begrenzt bleiben. Die Umfrageergebnisse zeigen, dass Produktqualität, Lieferzuverlässigkeit und lokaler Service die entscheidenden Kaufkriterien darstellen, wohingegen Markenkonsistenz nur eine untergeordnete Rolle spielt. Als Hauptprobleme wurden lange Lieferzeiten und unzureichender lokaler Service genannt. Obwohl digitale Innovationen wie IoT-Sensoren und Predictive Maintenance grundsätzlich positiv bewertet werden, ist ihre tatsächliche Verbreitung noch gering.Die Studie kommt zu dem Schluss, dass tschechische Unternehmen vor allem dann den Anbieter wechseln würden, wenn ein besseres Preis-Leistungs-Verhältnis, kürzere Lieferzeiten und eine stärkere lokale Präsenz geboten werden. Da die Beschaffung häufig nicht nur über Direktkäufe, sondern auch über Distributoren und OEMs (original equipment manufacturers) erfolgt, sollten Anbieter, die expandieren wollen, die Zusammenarbeit mit diesen Partnern intensivieren, ihre Servicekapazitäten stärken, Lieferzeiten verkürzen und digitale Lösungen stärker an praktische Kundenanforderungen anpassen. Diese Strategien bieten realistische Chancen, die Wettbewerbsposition in einem wachsenden, aber wettbewerbsintensiven Markt zu festigen.The Czech food and beverage (F&B) industry is a major contributor to national GDP and is currently shaped by efficiency requirements, regulatory compliance, and process control. Valves and sensors are essential for ensuring reliable automation, process efficiency, and regulatory compliance, yet little is known about their specific market dynamics and structure in Czechia.This thesis examines the main international players in the Czech market for valves and sensors, analyzing how their strategies and product portfolios differ. It further investigates the requirements and preferences of Czech F&B companies and evaluates which strategies appear most promising for suppliers aiming to increase market share. While valves and sensors have been studied at a European level, no comprehensive analysis exists for Czechia.The research is based on both primary and secondary data. Primary data was collected through a survey among F&B manufacturing companies, while secondary data was drawn from Statista, manufacturer websites, and industry-specific publications. The analysis identifies international firms such as Alfa Laval, GEA, Endress+Hauser, and Bürkert as the most visible players, while information on local suppliers remains limited. Survey results indicate that product quality, delivery reliability, and local service are the decisive purchasing criteria, whereas brand consistency plays only a minor role. The main challenges reported are long lead times and insufficient local service. Although digital innovations such as IoT-enabled sensors and predictive maintenance are regarded positively, their actual adoption is still limited.The study concludes that Czech companies would switch suppliers primarily for better price-performance ratios, faster delivery, and stronger local presence. Since procurement is frequently conducted via distributors and OEMs (original equipment manufacturers) in addition to direct purchases, suppliers aiming to expand should reinforce cooperation with these partners while strengthening service capabilities, shortening delivery times, and tailoring digital solutions to practical customer requirements. These strategies offer viable opportunities to strengthen competitive positioning in a growing but competitive market.by: Kimia SaadatfarazMasterarbeit Fachhochschule Technikum Wien 202
How Financial Institutions Navigate Regulatory Compliance for Scope 3 Financed Emissions Reporting : A Qualitative Study
No full textDiese Masterarbeit untersucht, wie Finanzinstitute regulatorische Anforderungen im Zusam-menhang mit Treibhausgasemissionen aus finanzierten Aktivitäten (Scope 3) umsetzen.Grundlage bildet die Corporate Sustainability Reporting Directive (CSRD), die erstmalseine umfassende Offenlegungspflicht für Scope 3-Emissionen sowie das Prinzip der dop-pelten Materialität verankert.Anhand von drei Fallstudien (Erste Group, ING Group und BNP Paribas) werden die zen-tralen Mechanismen herausgearbeitet, die erfolgreiche Berichterstattung ermöglichen oderhemmen. Die Ergebnisse zeigen, dass Leadership Commitment als Beschleuniger wirkt,wenn Führungsebenen Ressourcen bereitstellen und klare Prioritäten setzen. Weiterhinerleichtert ein kohärentes Data-Governance-Rahmenwerk die Datenqualität und Nachvol-lziehbarkeit, während ein adaptiver Umgang mit regulatorischen Vorgaben (regulatoryanchoring) den Fortschritt auch bei unvollständigen Daten sicherstellt.Die Arbeit leistet damit einen Beitrag zur Erklärung, warum Banken trotz vergleich-barer regulatorischer Anforderungen sehr unterschiedliche Reifegrade in der Umsetzungerreichen. Darüber hinaus werden Forschungsfelder für internationale Vergleichsstudien,quantitative Tests und Langzeituntersuchungen aufgezeigt.This master’s thesis examines how financial institutions navigate regulatory requirementsrelated to greenhouse gas emissions from financed activities (Scope 3). The CorporateSustainability Reporting Directive (CSRD) establishes comprehensive disclosure obliga-tions and embeds the principle of double materiality, making financed emissions a centralreporting element.Through three case studies (Erste Group, ING Group, and BNP Paribas), the researchidentifies explanatory mechanisms that determine successful reporting. Findings highlightthat leadership commitment accelerates progress when top management provides resourcesand prioritization. A coherent data-governance framework reduces coordination costs andincreases auditability, while an adaptive approach to regulatory standards (regulatoryanchoring) enables momentum despite data gaps.The study contributes to understanding why banks subject to the same regulatory regimedisplay different maturity levels in implementation. It also outlines avenues for futureresearch, including cross-jurisdictional comparisons, quantitative tests, and longitudinalstudies.by: Samantha Dias VianaMasterarbeit Fachhochschule Technikum Wien 202