Forschung

Expertise der Juniorprofessur

 

Beschreibung:

Künstliche Intelligenz in der Augenmedizin zielt ab auf die Unterstützung von Befundungsprozessen und Therapieentscheidungen bei Volkskrankheiten wie der Altersbedingten Makuladegeneration, Diabetischem Makulaödem und retinalen Venenverschlüssen. Das setzt die strukturierte Aufarbeitung von augenmedizinischen Freitexten mittels Text Mining voraus. Mit KI analysiert werden aber auch Bilder aus bildgebenden Verfahren wie der Funduskopie und die Optische Koheränztomografie (OCT) auf Biomarker und pathologische Zustände.

Methoden:
  • Regelbasierte Expertensysteme zur Diagnose- und Therapieunterstützung
  • Verlaufsmodelleriung mittels konventioneller Methoden des maschinellen Lernens wie Entscheidungsbäume, Regression, SVMs, ...
  • Bilderarbeitung mittels Deep Learning, z.B. tiefe neuronale Faltungsnetze
  • Text Mining und Natural Language Processing (NLP)
  • Hexagonale Bildverarbeitung, speziell hexagonale neuronale Faltungsnetze

Anwendungsbeispiele:

  • Recommender-System für die Vorhersage der Sehschärfe unter verschiedenen Therapie-Ansätzen
  • KI-basierte Biomarker-Erkennung in Optischen Koheränztomographie-Aufnahmen
  • Partizipatives Entwerfen von Nutzeroberfläche zur Diagnose-Unterstützung bei diebetischen Augenerkrankungen

Projekte:

  • seit 09/2021: MIHUBx - Digitaler Fortschrittshub Medizin
  • 2018-2021: OphthalVis2.0 – Entwicklung individueller Therapie-Ansätze bei AMD, DMÖ und RVV durch Analyse aufbereiteter Massendaten mit maschinellen Lernverfahren 
  • 2018-2021: Spektroskopie des Augenfundus
  • 2016 - 2019: TOPOs – Therapievorhersage durch Analyse von Patientendaten in der Ophthalmologie
  • 2015 - 2016: OphthalVis

Veröffentlichungen:

 

Beschreibung:

Gemeinsam mit der Partnern aus der Industrie und der Professur Schweißtechnik der TU Chemnitz erforscht die JP Media Computing seit 2017 i.) die videobasierte Charakterisierung der Schmelzzone während des Laserschweißens und ii) die Erkennung von Fehlern in Bildern nach laserverarbeitenden Prozessen, z.B. durch laserbasiertes Schneiden (Thermal Laser Separation) von Halbleiter-Wafern.

Methoden:
  • klassische regelbasierten Bildverarbeitungs-Pipelines
  • Deep Learning, z.B. tiefe neuronale Faltungsnetze
  • Hexagonale Bildverarbeitung, speziell hexagonale neuronale Faltungsnetze
  • Simulation von Bildmaterial als Augmentationsmethode für überwachte Lernverfahren

Anwendungsbeispiele:

  • High-Speed-Video-basierte Schmelzzonengeomtrieüberwachung während des Laserschweißens
  • Fehlererkennung beim laserbasierten Schneiden, z.B. bei Halbleiter-Wafern

Projekte:

Ausgewählte Veröffentlichungen:

 

Beschreibung:

Seit 2014 wird an Themen der KI-gestützten audiobasierten Klassifikation von Geräuschen und Vogelstimmen geforscht. Gemeinsam mit der Professur Medieninformatik (TU Chemnitz) und der Cornell University werden Algorithmen entwickelt zur Erkennunf von Vogelarten anhand des Gesangs. Dabei enstand auch die mit >1 Mio. Downloads inzwischen weitweit verbreitete Birdnet App.

Ein weiteres Thema ist die intelligenten Innenraumgeräuscherkennung, welche dem Thema technikassistierten Lebens zuzuordnen ist (engl. Ambient Assited Living - AAL). Einerseits werden die zugrundeliegenden Algorithmen erforscht und verbessert, andererseits wird durch partizipatives Entwerfen mit unterschiedlichen Nutzergruppen wie bspw. der Ü60-Generation erforscht inwiefern diese Technologie bspw. für mehr Sicherheit in der häuslichen Umgebung sorgen kann. Auch die Anwendung Pflegekontexten steht hier im Raum.

Methoden:
  • Deep Learning, z.B. tiefe neuronale Faltungsnetze
  • Nutzerzentriertes Entwerfen von Anwendungen / Mensch-Technik-Interaktion

Anwendungsbeispiele:

  • Geräuscherkennung, bspw. sprechende Personen, Hundebellen, Dusche, Zähneputzen

Projekte:

Ausgewählte Veröffentlichungen:

 

Beschreibung:

Das Thema befasst sich mit Software- und Methodenentwicklung und –evaluation für Einzelmolekül(video)mikroskopie und -spektroskopie zur Untersuchung von Faltungs- und Bindungsprozessen von Biomolekülen wie Ribonukleinsäuren (RNS). Konkret geht es Methodenoptimierung für die Lokalisation von Molekülen, kinetische und thermodynamische (Zeitreihen)-Analysen unter Anwendung von Hidden Markov Models, Clustering und statistischen Methoden. Wesentliche Algorithmen stehen mit optimierten Parametern als Teil einer Toolchain zur Verfügung, innerhalb der Anwendersoftware mit User-Interface „MASHFRET".


Methoden:
  • Zeitreihenanalyse
    • Diskretisierung mittels Hidden-Markov-Models
    • Sortieren molekulare Spezies mittels maschinellen Lernens
  • Statistische Methoden, z.B. Regression, Bootstrapping, Signifikanz-Tests
  • Bild- und Videoverarbeitung, z.B. zur Moleküllokalisation
  • Nutzerzentrierte Oberflächenentwicklung
  • Realistische Simulation von Mikroskopie-Videos

Anwendungsbeispiele:

  • Sortieren/Klassifizieren von Molekülen mit und ohne photophysikalischen und photochemischen Störerscheinungen
  • Simulation von Mikroskopie-Aufnehmen mit hexagonalem Bild-Sensor

Ausgewählte Veröffentlichungen:

TUCaktuell