Biomedizinische Bilderkennung

Diese Nachwuchsgruppe soll sich mit zentralen Herausforderungen des maschinellen Lernens im Kontext medizinischer Bild- und Sensordaten befassen. Dazu gehören: (1) Selbstüberwachte Lernverfahren, um aus großen Bild- und Signaldaten ohne teure Expertenlabels relevante Marker zu extrahieren, (2) Verbesserung der Robustheit gegenüber sog. Domain Shifts, also Veränderungen in der Datenstatistik, welche durch unterschiedliche Hardware, Vorverarbeitungsschritte oder Aufnahmeparameter entstehen, (3) Cross-modale Lernverfahren, welche Bilddaten mit Sensordaten oder textueller Information (Befunde) kombinieren. Bild- und Biosignaldaten werden immer wichtiger in der klinischen Diagnostik und Forschung. Dazu zählen CT, MRT und Mikroskopie-Bilder sowie EEG, EKG und LangzeitMonitoring mit Hilfe von Wearables. In der Pathologie werden zunehmend ganze Gewebeschnitte eingescannt. Die UMG verfügt über ein großes, gut funktionierendes PACS System und ist Vorreiter in der Digitalisierung in der Pathologie. Zudem werden diverse innovative Mikroskopieverfahren eingesetzt.