Cookie Hinweis

Wir verwenden Cookies, um Ihnen ein optimales Webseiten-Erlebnis zu bieten. Dazu zählen Cookies, die für den Betrieb der Seite notwendig sind, sowie solche, die lediglich zu anonymen Statistikzwecken, für Komforteinstellungen oder zur Anzeige personalisierter Inhalte genutzt werden. Sie können selbst entscheiden, welche Kategorien Sie zulassen möchten. Bitte beachten Sie, dass auf Basis Ihrer Einstellungen womöglich nicht mehr alle Funktionalitäten der Seite zur Verfügung stehen. Weitere Informationen finden Sie in unseren Datenschutzhinweisen .

Essentiell

Diese Cookies sind für die Funktionalität unserer Website erforderlich und können nicht deaktiviert werden.

Name Webedition CMS
Zweck Dieses Cookie wird vom CMS (Content Management System) Webedition für die unverwechselbare Identifizierung eines Anwenders gesetzt. Es bietet dem Anwender bessere Bedienerführung, z.B. Speicherung von Sucheinstellungen oder Formulardaten. Typischerweise wird dieses Cookie beim Schließen des Browsers gelöscht.
Name econda
Zweck Session-Cookie für die Webanalyse Software econda. Diese läuft im Modus „Anonymisiertes Messen“.
Statistik

Diese Cookies helfen uns zu verstehen, wie Besucher mit unserer Webseite interagieren, indem Informationen anonym gesammelt und analysiert werden. Je nach Tool werden ein oder mehrere Cookies des Anbieters gesetzt.

Name econda
Zweck Measure with Visitor Cookie emos_jcvid
Externe Medien

Inhalte von externen Medienplattformen werden standardmäßig blockiert. Wenn Cookies von externen Medien akzeptiert werden, bedarf der Zugriff auf diese Inhalte keiner manuellen Zustimmung mehr.

Name YouTube
Zweck Zeige YouTube Inhalte
Name Twitter
Zweck Twitter Feeds aktivieren

Nachwuchsgruppe Interaktives Maschinelles Lernen

Dr. Paul Jäger

Mensch-Maschine-Interaktion und verwandte Themen, die von der Forschungsgruppe bearbeitet werden.
© dkfz.de

Die Berücksichtigung menschlicher Interaktion bei der Entwicklung von maschinellen Lernsystemen (ML) birgt großes Potenzial: Einerseits bleibt die Entscheidungsfindung in ML-Systemen in der Praxis unvollkommen, so dass für sicherheitskritische Anwendungen wie die klinische Diagnostik menschliche Interaktion erforderlich ist. Andererseits kann das Problem, dass Trainingsdaten mit manuellen Anmerkungen versehen werden müssen, durch Human-in-the-Loop-Szenarien umgangen werden.
Die Nachwuchsgruppe Interaktives Maschinelles Lernen (IML) unter Leitung von Paul Jäger strebt aus dieser benutzerzentrierten Sicht eine Vorreiterrolle in der ML-Forschung an, die auf reale Anwendungen ausgerichtet ist. Konkret bearbeiten wir Forschungsthemen wie probabilistische Modellierung, erklärbare künstliche Intelligenz (KI), Benutzermodellierung, aktives Lernen und interaktive Systeme - mit einem besonderen Fokus auf Bildanalyseproblemen wie Objekterkennung oder Segmentierung. Ein weiteres Forschungsgebiet ist die angemessene und anwendungsorientierte Evaluierung von ML-Systemen.
IML ist Teil der Helmholtz Imaging Platform, einer Initiative zur Nutzung von Synergien in der Bildverarbeitung über alle Helmholtz-Forschungszentren hinweg. So arbeitet die Gruppe nicht nur mit medizinischen Anwendungen, die aus der DKFZ-Umgebung stammen, sondern kooperiert auch mit Experten aus der gesamten Helmholtz-Gemeinschaft, um benutzerzentrierte ML-Systeme für vielfältige und einzigartige Fragestellungen der Bildverarbeitung zu entwickeln.

Kontakt

Dr. Paul Jäger
Interaktives Maschinelles Lernen (E290)
Deutsches Krebsforschungszentrum
Im Neuenheimer Feld 223
69120 Heidelberg
Tel: +49 6221 42 3015

Ausgewählte Publikationen

  • Jäger PF, Kohl SAA, Bickelhaupt S, et al. Retina U-Net: Embarrassingly Simple Exploitation of Segmentation Supervision for Medical Object Detection. In: Machine Learning for Health Workshop at Neurips. PMLR; 2020:171-183.
  • Isensee F*, Jäger PF*, Kohl SAA, Petersen J, Maier-Hein KH. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nature Methods. 2021;18(2):203-211.
  • Bickelhaupt S*, Jäger PF*, Laun FB, et al. Radiomics Based on Adapted Diffusion Kurtosis Imaging Helps to Clarify Most Mammographic Findings Suspicious for Cancer. Radiology. 2018;287(3):761-770.
  • Petersen J, Jäger PF, Isensee F, et al. Deep Probabilistic Modeling of Glioma Growth. In: Shen D, Liu T, Peters TM, et al., eds. Medical Image Computing and Computer Assisted Intervention. 2019:806-814
nach oben
powered by webEdition CMS