Forschung 

KI für biomedizinische Bildanalyse und Interpretation

Medizinische Bildgebung erlaubt es, ohne invasiven chirurgischen Eingriff in das Innere des menschlichen Körpers zu blicken. Zur medizinischen Bildgebung gehören Verfahren wie Computertomografie (CT), Magnetresonanztomografie (MRT) und Ultraschall (US). Ärzt*innen können anhand der gewonnenen Aufnahmen untersuchen, Krankheiten diagnostizieren und über Behandlungen entscheiden.

Unsere Gruppe entwickelt Techniken und Algorithmen, die klinisch nützliche Informationen aus medizinischen Bildern extrahieren und Ärzt*innen so unterstützen können. Die Algorithmen sind in der Lage, automatisch Krankheiten zu diagnostizieren, Krankheitsverläufe vorherzusagen, relevante anatomische Strukturen zu kennzeichnen oder Bilder zu vergleichen, die zu unterschiedlichen Zeitpunkten oder mit verschiedenen Bildgebungsgeräten aufgenommen wurden.

Die zum Trainieren unserer Methoden erforderlichen Datensätze sind klein und benötigte Annotationen aufwändig zu beschaffen. Häufig müssen bei der Auswertung der Bilder auch weitere medizinische Informationen berücksichtigt werden, wie zum Beispiel Arztnotizen, Laborbefunde oder genomische Informationen. Darüber hinaus muss beachtet werden, wie die Algorithmen in den klinischen Arbeitsablauf passen, damit die entwickelten Methoden schlussendlich erfolgreich im Krankenhaus eingesetzt werden können.

Weitere Informationen

Gruppenleitung

Inverse Probleme in der biomedizinischen Bildgebung

Unsere Gruppe beschäftigt sich mit inversen Problemen in der biomedizinischen Bildgebung und ihrer Lösung mithilfe von künstlicher Intelligenz und maschinellem Lernen.

Deep Learning für inverse Probleme
Die Entwicklung von Algorithmen zur Lösung inverser Probleme, die bei Sensor- und Bildgebungssystemen auftreten, hat eine lange Tradition. Beispiele hierfür sind Compressed-Sensing-Ansätze, z. B. für die medizinische und computergestützte Bildgebung. Bis vor Kurzem basierten die meisten Algorithmen zur Lösung inverser Probleme auf statischen oder physikalischen Signalmodellen, wie zum Beispiel Wavelets oder spärliche Darstellungen. Unsere Forschung konzentriert sich auf leistungsfähige Ansätze auf Basis von Deep Learning, bei dem die verschiedenen Elemente zur Lösung inverser Probleme erlernt werden, darunter: i) Signaldarstellungen, ii) die Parameter iterativer Algorithmen, iii) regularisierte und iv) ganze inverse Funktionen.

KI-basierte Bildrekonstruktion
Deep Learning-basierte Ansätze zur Rekonstruktion von Magnetresonanztomografie (MRT) oder Computertomografie (CT) liefern leistungsstarke KI-Modelle, die es erlauben, MRT-Bilder zu generieren, auch wenn der Signalraum nur unvollständig abgetastet wurde, sowie hochqualitative CT-Bilder aus sog. „low-dose“-Röntgenaufnahmen zu errechnen. Forschungsschwerpunkt ist hierbei, wie diese Deep Learning-basierten Ansätze für klinische Anwendungen (z. B. die kardiovaskuläre Bildgebung) optimiert und diese mit Bildanalysemethoden kombiniert werden können.

Weitere Informationen

Gruppenleitung

Privatsphärenwahrende und vertrauenswürdige KI in der Medizin

Unsere Gruppe entwickelt die nächste Generation privatsphärewahrender und vertrauenswürdiger KI-Algorithmen für medizinische Anwendungen.

Künstliche Intelligenz und Schutz der Privatsphäre
KI in der Medizin verlangt große, vielfältige und repräsentative Datensätze, um faire, verallgemeinerbare und zuverlässige Modelle zu trainieren. Solche Datensätze enthalten jedoch sensible persönliche Informationen. Die Privatsphäre schützendes maschinelles Lernen überbrückt die Kluft zwischen Datennutzung und Datenschutz, indem es das Training von KI-Modellen auf privaten Daten ermöglicht und gleichzeitig formale Datenschutzgarantien bietet.

Unsere Gruppe konzentriert sich auf Anwendungen von Differential Privacy auf maschinelles Lernen und Deep Learning, sowohl auf unstrukturierte Datensätze wie Bilder als auch auf strukturierte Daten wie Tabellen- und Graphdatenbanken. Darüber hinaus entwickeln wir Techniken zur Abschwächung von Kompromissen zwischen Privatsphäre und Modellnutzen sowie zwischen Privatsphäre und Rechenleistung. Ebenso untersuchen wir Angriffe auf Protokolle des kollaborativen maschinellen Lernens (z. B. föderiertes Lernen) und entwickeln entsprechende Verteidigungsmaßnahmen.

Künstliche Intelligenz und Vertrauensaufbau
Der Aufbau von Vertrauen in die KI erfordert Techniken zur Quantifizierung der Unsicherheit von Modellergebnissen, zur Einbeziehung von Fachwissen und zur optimalen Bewältigung des Trainings auf kleinen Datensätzen. Ein weiterer Schwerpunkt der Arbeit unserer Gruppe ist die Entwicklung probabilistischer Modelle des maschinellen Lernens (Probabilistic machine learning), die der Tendenz konventioneller Modelle entgegenwirken, schlecht kalibrierte Vorhersagen zu treffen. Wir verwenden computergestützte Bayes'sche Techniken, um sowohl statistische als auch Deep Learning-Algorithmen zu trainieren, und wir arbeiten an der Schnittstelle zwischen probabilistischem und die Privatsphäre wahrendem maschinellen Lernen.

Weitere Informationen

Gruppenleitung