Bildgebung und Bildverarbeitung
Die medizinische Versorgung geht einher mit der Analyse und Verwendung einer sehr großen und stetig wachsenden Menge an medizinischen Daten. Die Bildgebende Diagnostik ist zum Beispiel eine der beiden Hauptsäulen bei der Detektion und der Diagnose von Krankheiten. Die Aufgabe der Radiologen ist zunächst die Erstellung medizinischer Bilder mithilfe von MRT, CT und co. Anschließend werden die Bilder je nach Fragestellung entweder auf Auffälligkeiten untersucht (Detektion) oder das sich darstellende Krankheitsbild charakterisiert (Diagnose). Dieser Prozess der Befundung ist in Anbetracht großer Datenmengen zeitraubend und ermüdend. Auch für die Planung und Führung von minimalinvasiven Eingriffen in der Therapie sind häufig sehr zeitaufwändige und komplexe Verfahren der Bildverarbeitung notwendig.
Das Forschungsfeld der medizinischen Bildverarbeitung wird daher seit einigen Jahren dominiert von Themen des maschinellen Lernens, speziell mithilfe tiefer neuronaler Netze (Deep Learning).
Ausgewählte Projekte
NeuroTEST
Ansprechpartner: Prof. Dr. Stefanie Remmele
Laufzeit: 2021-2023 (2 Jahre)
Förderung: ZIM
Partner: deepc GmbH, München
Assoziierte Partner: LAKUMED Krankenhaus Landshut-Achdorf, Prof. Dr. Tobias Schäffter (PTB Berlin, TU Berlin)
Wissenschaftliche Mitarbeiterin: Christiane Posselt
Methoden des maschinellen Lernens, insbesondere unter Nutzung tiefer neuronaler Netze feiern immer neue Erfolge bei der Analyse und Klassifizierung medizinischer Bilder. Klar ist, in vielen Anwendungen erreichen die Algorithmen bereits mindestens menschenähnliche Entscheidungsgenauigkeiten. Unklar ist allerdings noch, wie sich Netze, trainiert auf einer bestimmten Datensituation, in einer anderen Datensituation verhalten. Z.B. wenn sich Aufnahmehardware oder Bildgebungsparameter von Radiologie zu Radiologie unterscheiden.
Im BMWi geförderten ZIM Projekt NeuroTEST entwickelt die Forschungsgruppe Medizintechnik (Projektleitung Prof. Remmele) zusammen mit dem Münchner Startup deepc Methoden zur systematischen Validierung von neuronalen Netzen (Anwendungsfall Segmentierung von MS Läsionen). Dazu werden Methoden der statistischen Versuchsplanung erforscht, wobei KI-Algorithmen systematisch auf Daten unterschiedlicher Aufnahmeprotokolle getestet werden. Im Zentrum des Projekts an der HAW steht die Simulation und Synthese dieser Daten, um für die Stresstests beliebige Datendomänen bereitstellen zu können.
AI supported and AR guided Interventions
Projekte und Finanzierung:
- AIARLiver: Intern (2021 - 2024)
- INMOTION: STMWK Bayern (2024 - 2027)
- AIARConcepts: Intern (2024 - 2027)
Klinischer Partner: Krankenhaus Agatharied, Klinikum Bayreuth, LAKUMED Krankenhaus Landshut-Achdorf
Industriepartner: Cariad SE, Corscience GmbH, Cosinuss GmbH, Infineon AG, mediCAD Hectec GmbH
Professoren:
Prof. Dr. Stefanie Remmele (Bildverarbeitung & -synthese)
Prof. Dr. Christopher Auer (Mixed Reality)
Prof. Dr. Eduard Kromer (AI Algorithms)
Prof. Dr. Norbert Babel (3D Druck)
Prof. Dr. Aida Anetsberger (Medical support)
Wissenschaftliche Mitarbeiter: Serouj Khajarian, Michael Schwimmbeck
Der Forschungsschwerpunkt erforscht Technologien zur Unterstützung von Chirurg:innen mittels Mixed Reality Technologien, die es erlauben, Ziel- und Risikostrukturen einer Intervention auf dem Patienten einzublenden. Schwerpunkte sind KI-unterstützte Algorithmen zum Beispiel zum Orten (Tracking) und der passgenauen Visualisierung der Modelle auf dem Patienten (Registrierung) und Konzepte für die Umsetzung in der medizinischen Anwendung.
Der Freistaat Bayern fördert die Initiative "INMOTION - Innovative Motion Tracking Technologies in Medical Applications" im Rahmen der 7. Förderrunde des Programms zur Förderung der angewandten Forschung und Entwicklung an HAWs und THs mit einer Fördersumme in Höhe von 714.977 €. Die Hochschule unterstützt das Projekt durch die Finanzierung einer Qualifizierungsstelle zum Aufbau der Forschungsgruppe (AIARConcepts).
Deep learning for segmentation and object detection
Ansprechpartner: Prof. Dr. Eduard Kromer
Partner: Fraunhofer Institut für Verfahrenstechnik und Verpackung IVV (Dr. Thilo Bauer, Satnam Singh), precipoint GmbH (Ludwig Wildner)
Bachelorarbeiten: Katharina Bauer (BMT), Lena Kinzel (BMT) in 2021
In verschiedenen Projekten, auch in Zusammenarbeit mit industriellen Partnern, untersucht und entwickelt die Hochschule Deep Learning Modelle für Regression, semantische Segmentierung und Objektdetektion zur Verarbeitung von zwei- und dreidimensionalen medizinischen Bilddaten. Hierbei stehen Nachvollziehbarkeit der Ergebnisse, Art und Ausführlichkeit der Ausgabe und Generalisierbarkeit der Modelle (auch auf nicht-medizinsche Daten) im Vordergrund.
Visualisierungsmethoden zur Validierung von tiefen Faltungsnetzen
Ansprechpartner: Prof. Dr. Stefanie Remmele
Bachelorarbeit: Jakob Dexl (2018)
Im Sommersemester 2018 wurden verschiedene Visualisierungsansätze für die CNNs implementiert. Diese sollen die Entscheidungsfindung des Netzes nachvollziehbar machen, und so u.a. helfen, Schwachstellen der Algorithmen zu identifizieren und die Methoden zu optimieren sowie langfristig die Aufmerksamkeit bei der Befundung auf die detektierten Auffälligkeiten lenken. Die Arbeit ist 2019 mit dem VDE-Preis in der Kategorie Wissenschaft ausgezeichnet worden.
Labore
Medizintechnik
Medizintechnische Geräte für diagnostische und therapeutische Anwendungen mit Schwerpunkt auf bildgebende und minimalinvasive Verfahren
Künstliche Intelligenz
