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
Die Sektion Clinical Applications fokussiert sich auf die translationale Nutzung moderner Bildanalyseverfahren, um die onkologische Bildgebung präziser, reproduzierbarer und patienten-individueller zu gestalten. Durch den Einsatz fortgeschrittener computergestützter Methoden – insbesondere Radiomics, Machine Learning und Deep Learning – entwickeln und validieren wir Bildgebungs-Biomarker, die den diagnostischen Prozess verfeinern, interindividuelle Unterschiede sichtbar machen und therapeutische Entscheidungen unterstützen.
Ein zentraler Schwerpunkt liegt auf der präzisen Charakterisierung von Tumorheterogenität, dem Lymphknotenstatus und dem frühen Therapieansprechen über verschiedene Tumorentitäten hinweg. Dabei vergleichen wir klassische Machine-Learning-Pipelines mit tiefen neuronalen Modellen und untersuchen systematisch Faktoren wie Segmentierungsstrategien, Merkmalsstabilität, Scanner- und Zeitpunktvariabilität sowie die optimale methodische Wahl in Abhängigkeit von klinischer Fragestellung, Datensatzgröße und Zielvariable.
Besonderer Wert wird auf Kalibrierung, Interpretierbarkeit und entscheidungsanalytische Evaluation gelegt, um sicherzustellen, dass technische Innovationen in einen realen klinischen Nutzen überführt werden können. Unsere Projekte zielen darauf ab, robuste und skalierbare Werkzeuge zu entwickeln, die zur Routinetauglichkeit KI-basierter Biomarker beitragen.
Die Arbeiten sind eingebettet in eine enge interdisziplinäre Zusammenarbeit zwischen Radiologie, Onkologie, Informatik und Data Science. Als Co-Leitung von XAIRAD – einer gemeinsamen Initiative der Klinik für Diagnostische und Interventionelle Radiologie und der Visual Computing Group der Universität Ulm – fördern wir die Entwicklung klinisch einsetzbarer Analyseplattformen und KI-gestützter Workflows.
Darüber hinaus bildet die Sektion einen zentralen Baustein im DFG-geförderten Graduiertenkolleg KEMAI, in dem datengetriebene und KI-gestützte Methoden für die onkologische Bildgebung weiterentwickelt und in klinischen Anwendungsszenarien untersucht werden.
Insgesamt verfolgt die Sektion Clinical Applications das Ziel, moderne Bildanalyse und KI-Methoden so zu gestalten, dass sie den Weg zu einer präzisen, wissenschaftlich fundierten und individuell zugeschnittenen Onkologie im klinischen Alltag ebnen.
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
Lisson, C. S.; Lisson, C. G.; Götz, M.; Wolf, D.; Manoj, S.; Gallee, L.; Schmidt, S. A.; Tausch, E.; Schneider, C.; Stilgenbauer, S.; Beer, A. J.; Beer, M.; Sollmann, N. "Non-Hodgkin’s lymphoma classification using 3D radiomics machine learning models for precision imaging in oncology". In: BMC Med Imaging (2025), 25:435.
Lisson, C. G.; Gallee, L.; Müller, K.; Manoj, S.; Stöckl, H.; Zengerling, F.; Bolenz, C.; Beer, M.; Götz, M., Lisson, C. S. "Machine Learning-Based Radiomics for Bladder Cancer Staging: Evaluating the Role of Imaging Timing in Differentiating T2 from T3 Disease". In: Frontiers in Oncology (2025), 15, 1591742.
Lisson, C. S.; Manoj, S.; Wolf, D.; Lisson, C. G.; Schmidt, S. A.; Beer, M.; Goetz, M. "Radiomics and Clinicopathological Characteristics for Predicting Lymph Node Metastasis in Testicular Cancer". In: Cancers (2023), 15(23), 5630.
Lisson, C. S.; Manoj, S.; Wolf, D.; Schrader, J.; Schmidt, S. A.; Beer, M.; Goetz, M.; Zengerling, F.; Lisson, C. G. S. "CT Radiomics and Clinical Feature Model to Predict Lymph Node Metastases in Early-Stage Testicular Cancer". In: Onco (2023), 3(2), 65–80.
Lisson, C. S.; Lisson, C. G.; Mezger, M. F.; Wolf, D.; Schmidt, S. A.; Thaiss, W. M.; Tausch, E.; Beer, A. J.; Stilgenbauer, S.; Beer, M. "Deep Neural Networks and Machine Learning Radiomics Modelling for Prediction of Relapse in Mantle Cell Lymphoma". In: Cancers (2022), 14(8), 2008.
Lisson, C. S.; Lisson, C. G.; Achilles, S.; Mezger, M. F.; Wolf, D.; Schmidt, S. A.; Thaiss, W. M.; Bloehdorn, J.; Beer, A. J.; Stilgenbauer, S. "Longitudinal CT Imaging to Explore the Predictive Power of 3D Radiomic Tumour Heterogeneity in Precise Imaging of Mantle Cell Lymphoma (MCL)". In: Cancers (2022), 14(2), 393.
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.