Experimentelle Radiologie
Die Vision unserer neugegründeten Sektion „Experimentelle Radiologie“ ist die effektive Nutzung der radiologischen Bildgebung. Besonders im Blick auf die Präzisionsmedizin ist das Potential von Bilddaten bisher bei weitem noch nicht ausgeschöpft. Deswegen arbeiten wir an richtungsweisenden und innovativen Verfahren im Bereich des Machine Learning, Deep Learning und der Computer Vision um die speziellen Herausforderungen in der Radiologie zu adressieren und so eine bessere Nutzung der Daten zu ermöglichen. Unser spezieller Fokus liegt dabei auf wegweisenden Techniken für ein zuverlässiges, robustes und effizientes Lernen besonders mit wenigen, verrauschten oder ungewöhnlich annotierten Daten.
Wir stehen für wegweisende methodische Entwicklungen im Bereich der bildbasierte Präzisionsmedizin, oft auch Radiomics genannt. Dabei interessiert uns das gesamte notwendige Spektrum, von der Bildregistrierung, Segmentierung bis hin zur Klassifikation im Sinne eines „Data Science“ Ansatzes. Methodische Exzellenz setzt für uns immer auch den Blick für die gesamte Anwendung voraus. Aus diesem Grund wird unsere algorithmische Forschung durch Verbesserung der Bildgebung und eine klinische Translation flankiert. Dafür nutzen wir auch unsere direkte Einbindung in die Klinik für Diagnostische und Interventionelle Radiologie, aber auch enge Kooperationen klinischen und methodischen Partnern wie zum Beispiel der Klinik für Nuklearmedizin und der Forschungsgruppe Experimentellen kardiologischen Bildgebung.
Forschungsgebiete
Lead: Jun.-Prof. Michael Götz
Unsere methodische Forschung reicht von Grundlagenforschung im Bereich Machine Learning bis hin zur anwendungsorientierten Bildanalyse. Ein wichtiger Punkt ist dabei immer wieder die Frage, wie Machine Learning auch bei unperfekten Daten funktionieren kann. Dabei untersuchen wir Fragestellungen aus dem gesamten Bereich Radiomics – der bildgestüzten Präzisionsmedizin. Das schließt zum Beispiel die Segmentierung von medizinischen Daten, aber auch die bildbasierte Prädiktion ein.
Lead: Dr. Catharina Lisson
Durch den Einsatz von neuen, computergestützten Analysemethoden möchten wir eine patienten-spezifischere Bilddiagnostik ermöglichen. Dazu nutzen wir Techniken wie Radiomics und Deep-Learning um in klinischen Studien neue Diagnostiken zu entdecken und zu validieren. Dabei schauen wir uns besonders onkologische Fragestellungen an um eine patienten-individuelle Therapie zu ermöglichen.
Lead: Dr. Arthur Wunderlich
Wir forschen an einer patienten-spezifischeren klinischer Bildgebung. Dabei beschäftigen wir uns vor allem mit Fragen aus dem Bereich der funktionellen CT- und MR-Tomografie. Besondere Kompetenz besteht dabei im Bereich fMRT, wo wir in enger Kooperation mit der Sektion Neuroradiologie und der Klinik für Psychiatrie (Prof. Spitzer) forschen, und der Relaxometrie von Leber und Milz zur Eisen-Quantifizierung.
Darüber hinaus bietet sie vielfältige Dienstleistungen an, wie Beratungen für interdisziplinäre Forschungsvorhaben, insbesondere auf dem Gebiet der Schnittbildverfahren Computer- und Magnetresonanztomographie (MRT), Sicherstellung erforderlicher Kenntnisse im Bereich der ionisierenden Strahlen, wie insbesondere strahlensparende Röntgen-Untersuchungen (z.B. Niedrigdosis-CT).
Ausgewählte Publikationen
Katerina Deike-Hofmann, Dorottya Dancs, Daniel Paech, Heinz-Peter Schlemmer, Klaus Maier-Hein, Philipp Bäumer, Alexander Radbruch, and Michael Götz. "Pre-examinations Improve Automated Metastases Detection on Cranial MRI". In: Investigative Radiology (2021). DOI: 10.1097/RLI.0000000000000745
Michael Götz and Klaus H. Maier-Hein. "Optimal Statistical Incorporation of Independent Feature Stability Information into Radiomics Studies". In: Scientific Reports (2020). DOI: 10.1038/s41598-020-57739-8
David Bonekamp, Simon Kohl, Manuel Wiesenfarth, Patrick Schelb, Jan Philipp Radtke, Michael Götz, Philipp Kickingereder, Kaneschka Yaqubi, Bertram Hitthaler, Nils Gählert, Tristan Anselm Kuder, Fenja Deister, Martin Freitag, Markus Hohenfellner, Boris A. Hadaschik, Heinz-Peter Schlemmer, and Klaus H. Maier-Hein. "Radiomic Machine Learning for Characterization of Prostate Lesions with MRI: Comparison to ADC Values". In: Radiology (07/2018). DOI: 10.1148/radiol.2018173064
Philipp Kickingereder, Michael Götz, John Muschelli, Antje Wick, Ulf Neuberger, Russell T. Shinohara, Martin Sill, Martha Nowosielski, Heinz-Peter Schlemmer, Alexander Radbruch, Wolfgang Wick, Martin Bendszus, Klaus H. Maier-Hein, and David Bonekamp. "Large-scale Radiomic Profiling of Recurrent Glioblastoma Identifies an Imaging Predictor for Stratifying Anti-Angiogenic Treatment Response". In: Clinical Cancer Research (2016). DOI: 10.1158/1078-0432.CCR-16-0702.
Götz, Michael, Christian, Weber, Franciszek, Binczyk, Joanna, Polanska, Rafal, Tarnawski, Barbara, Bobek-Billewicz, Ullrich, Köthe, Jens, Kleesiek, Bram, Stieltjes, and Klaus H., Maier-Hein. "DALSA: Domain Adaptation for Supervised Learning From Sparsely Annotated MR Images". In IEEE Transactions on Medical Imaging (2016): DOI: 10.1109/TMI.2015.2463078
Siehe auch google scholar oder publons für eine vollständige Publikationsliste.
Stellenangebote
Wir sind ständig auf der Suche nach neuen Bachelor, Master oder Promotionsstudenten. Für mehr Informationen wenden Sie sich bitte direkt an den Sektionsleiter oder die Leiter der Subgruppen.