Patientenspezifische anatomische Strukturen bilden die Grundlage für medizinische Modelle und darauf aufbauende Simulationen. Hierfür werden die erforderlichen 3-dimensionalen Strukturen aus medizinischen Bilddaten extrahiert. Eine Sammlung, Strukturierung und Vorverarbeitung von geeigneten Datensätzen bilden hierfür die Grundlage.

Im Zentrum der Forschung stehen hier interaktive semi-automatische Machine-Learning-Methoden mit möglichst hohem Automatisierungsgrad, um durch adäquaten Workflow und Benutzerschnittstelle einerseits den Aufwand für die medizinischen DomänenexpertInnen möglichst gering zu halten und andererseits für z.B. „Tomorrows Patient“ dem geforderten zeitlichen Aspekt gerecht zu werden.

Der Erfolg von Machine-Learning-Methoden zur Registrierung und Segmentierung hängt ganz wesentlich von der Anzahl der verfügbaren Trainingsdaten ab. Gerade in medizinischen Anwendungsfeldern fehlen oftmals Daten mit entsprechendem Ground-Truth, oder sind aus Datenschutzgründen nicht zugreifbar. Deswegen wird in diesem Forschungsschwerpunkt an Methoden geforscht, die eine einfache (interaktive) Erstellung von Ground-Truth ermöglicht.

Abhilfe schaffen hier auch Methoden wie One-Shot-Learning welche darauf abzielen aus einem Datensatz mittels Augmentierung eine Vielzahl von Trainingsdaten zu Generieren, Transfer Learning, wodurch bereits erlernte Wissensmodelle für ähnliche Probleme genutzt werden und Domain-Adaptation zur Anpassung gelernter Modelle an neue Datenverteilungen.

Methoden zur rigiden und nicht-rigiden Registrierung von multimodalen 3-dimensionalen Bilddaten ermöglichen spezialisierte aggregierte Visualisierungen für MedizinerInnen und neue Möglichkeiten für Machine-Learning.

Referenzen