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

Abteilung Medizinische Bildverarbeitung

Prof. Dr. Klaus Maier-Hein

Die Magnetresonanzbildgebung liefert eine Fülle von Information, aus der wir mit Computerhilfe persönlich adaptierte Organmodelle berechnen können. Das Bild zeigt eine auf der Graphentheorie basierende Modellierung des Gehirns, anhand derer wir Krankheitsmuster erlernen, wiederfinden und vorhersehen können.
© dkfz.de

Die Abteilung „Medizinische Bildverarbeitung“ steht für wegweisende Entwicklungen auf dem Gebiet des maschinellen Lernens und der automatisierten Informationsverarbeitung. Im Rahmen der „Nationalen Dekade gegen Krebs“ ist das Ziel unserer Arbeit eine optimierte, systematische Datenanalyse in der bildgebenden Onkologie. Der Fokus liegt hierbei auf einer umfassenden und effizienten Analyse quantitativer Bildgebungsparameter, beispielsweise aus der Magnetresonanz- und der Computertomographie, sowie deren Verknüpfung mit weiteren klinisch und biologisch relevanten Einflussfaktoren. Als einer der Initiatoren und Koordinatoren der „Helmholtz Imaging Platform“ (HIP) verfolgen wir richtungsweisende, innovative Konzepte im Bereich der Informatik, deren Anwendungsbereiche in der Medizin, aber auch darüber hinaus angesiedelt sind. Unser spezieller Fokus liegt hierbei auf Techniken wie der semantischen Segmentierung und der Objektdetektion, aber auch auf der Forschung im Bereich des unüberwachten Lernens und der auf Wahrscheinlichkeit basierenden (probabilistischen) Modellierung.

Methodische Exzellenz und die Umsetzung skalierender Datenanalysen in föderierten Konsortien kann nur auf der Basis von technisch ausgereiften Softwaresystemen und einer hochentwickelten Infrastruktur erreicht werden. In diesem Kontext bildet unser breites technisches Portfolio das Fundament für verschiedene nationale und internationale klinische Forschungsnetzwerke, darunter das Nationale Centrum für Tumorerkrankungen (NCT), das Deutsche Konsortium für Translationale Krebsforschung (DKTK) und das „Cancer Core Europe“ (CCE). In Kollaboration mit unseren klinischen Partnern arbeiten wir an der direkten Translation neuester Entwicklungen aus dem Bereich des maschinellen Lernens in klinisch relevante Anwendungen.

Unser langfristiges Ziel ist es, die Qualität der Gesundheitsversorgung durch methodische Entwicklungen im Bereich künstlicher Intelligenz und deren Einsatz in der Medizin maßgeblich zu verbessern. Einen bedeutenden Schwerpunkt unserer Forschung bilden daher Techniken, die die Anwendbarkeit von „Data Science“ im klinischen Gebrauch optimieren, beispielsweise durch besser interpretierbare Entscheidungshilfen, durch das Adressieren von Unsicherheiten und durch robuste alltagstaugliche Algorithmen. Die Abteilung befasst sich des Weiteren mit Bildanalysekonzepten, die mathematische Modellierungsansätze mit neuesten Techniken des maschinellen Lernens vereinen. Wir engagieren uns darüber hinaus stark für “Open Science”. Deshalb unterstützen wir unter anderem verschiedene “open source”-Projekte, um unsere Entwicklungen und Fortschritte auch anderen Entwicklern und der wissenschaftlichen Gemeinschaft zugänglich zu machen und somit die optimale Nutzung von Synergien zu ermöglichen.

Kontakt

Prof. Dr. Klaus Maier-Hein
Medizinische Bildverarbeitung (E230)
Deutsches Krebsforschungszentrum
Im Neuenheimer Feld 223
69120 Heidelberg
Tel: +49 6221 42 2327
Fax: +49 6221 42 2345

Ausgewählte Publikationen

  • Kickingereder P, Isensee F, Tursunova I, Petersen J, Neuberger U, Bonekamp D, Brugnara G, Schell M, Kessler T, Foltyn M, Harting I, Sahm F, Prager M, Nowosielski M, Wick A, Nolden M, Radbruch A, Debus J, Schlemmer HP, Heiland S, Platten M, von Deimling A, van den Bent MJ, Gorlia T, Wick W, Bendszus M, Maier-Hein KH. Automated quantitative tumour response assessment of MRI in neuro-oncology with artificial neural networks: a multicentre, retrospective study. Lancet Oncol. 2019 May;20(5):728-740. doi: 10.1016/S1470-2045(19)30098-1. Epub 2019 Apr 2.
  • Isensee F, Jaeger PF, Kohl SAA, Petersen J and Maier-Hein K. nnUNet: a self-configuring method for deep learning-based biomedical image segmentation. Nature Methods 18, 203-2011 (2021); https://doi.org/10.1038/s41592-020-01008-z
  • Wasserthal J, Neher P, Maier-Hein KH: TractSeg - Fast and accurate white matter tract segmentation. Neuroimage 183, 239-253, 2018.
  • Maier-Hein KH, Neher PF, Houde JC, Cote MA, Garyfallidis E, Zhong J, Chamberland M, Yeh FC, Lin YC, Ji Q, Reddick WE, Glass JO, Chen DQ, Feng Y, Gao C, Wu Y, Ma J, Renjie H, Li Q, Westin CF, Deslauriers-Gauthier S, Gonzalez JOO, Paquette M, St-Jean S, Girard G, Rheault F, Sidhu J, Tax CMW, Guo F, Mesri HY, David S, Froeling M, Heemskerk AM, Leemans A, Bore A, Pinsard B, Bedetti C, Desrosiers M, Brambati S, Doyon J, Sarica A, Vasta R, Cerasa A, Quattrone A, Yeatman J, Khan AR, Hodges W, Alexander S, Romascano D, Barakovic M, Auria A, Esteban O, Lemkaddem A, Thiran JP, Cetingul HE, Odry BL, Mailhe B, Nadar MS, Pizzagalli F, Prasad G, Villalon-Reina JE, Galvis J, Thompson PM, Requejo FS, Laguna PL, Lacerda LM, Barrett R, Dell`Acqua F, Catani M, Petit L, Caruyer E, Daducci A, Dyrby TB, Holland-Letz T, Hilgetag CC, Stieltjes B, Descoteaux M: The challenge of mapping the human connectome based on diffusion tractography. Nature Communications 8 (1), 1349, 2017.
nach oben
powered by webEdition CMS