Radiomics und Künstliche Intelligenz (KI)-gestützte Analyse

 

Im Bereich Radiomics konzentriert sich unsere Forschung auf die Nutzung radiologischer Daten, um Korrelationen zwischen bildgebenden Biomarkern und ihren klinischen Befunden herzustellen, um die Diagnose, die Behandlungsüberwachung und die Vorhersage des Ansprechens auf die Behandlung zu verbessern. Bei diesen Biomarkern handelt es sich um konventionelle bildgebende Biomarker-Klassen, d. h. intensitätsbasierte, texturale und Wavelet-basierte Merkmale, sowie Biomarker, die morphologische und funktionelle Eigenschaften beschreiben. Letztere basieren oft auf selbst entwickelten vollautomatischen Segmentierungssoftware-Tools, die wir auf central processing unit s (CPUs) und Graphic Processing Units (GPUs) ausführen. Durch die schnellen GPU-beschleunigten interaktiven Segmentierungsoperationen und das präzise Rendering eignet sich unser Tool besonders für die effiziente Analyse multimodaler Bilddatensätze.

Das Gebiet des Computer Vision (CV) könnte die Medizin grundlegend verändern, indem es Zugang zu Expertenwissen durch CV ermöglicht. Aktuelle Methoden des maschinellen Lernens bleiben jedoch hinter den Erwartungen zurück, da das Training dieser Methoden oft mit zu kleinen, unvollständigen und heterogenen Datensätzen durchgeführt wird. Außerdem sind Aspekte wie Robustheit und Erklärbarkeit sehr wichtig, um diese neue Klasse von Werkzeugen in die klinische Routine zu bringen.

Im Rahmen unserer Arbeiten zur Künstlichen Intelligenz (KI) konzentrieren wir uns auf Generative Adversarial Networks (GAN), um eine nahezu unbegrenzte Menge an hochaufgelösten synthetischen medizinischen Daten zu generieren, die zum Training anderer KI-Methoden verwendet werden können. Ein weiterer Schwerpunkt unserer Forschung ist die Demaskierung des Entscheidungsprozesses beim maschinellen Lernen. Wir verwenden adversarial trainierte Modelle, die die Pathologieerkennung im Vergleich zu den Standardmethoden deutlich verbessern können. Um ein erfolgreiches Training mit einer geringeren Menge an Trainingsdaten zu ermöglichen, verwenden wir eine hybride Modellierung, die komplexe physikalische und empirische Modelle mit Methoden des maschinellen Lernens kombiniert.

Ausgewählte Publikationen: