In Rahmen des Projekts INSPIRATION, unter der Leitung von Assoc. Prof. Filip Šuligoj geleitet ist, nahm die Doktorandin und Nachwuchswissenschaftlerin Ines Frajtag an der internationalen Sommerschule 7th Summer School on Deep Learning for Medical Imaging teil, die an der École de technologie supérieure (ÉTS) in Montréal, Kanada, stattfand.
Die Sommerschule war auf fortgeschrittene Methoden des Deep Learning und deren Anwendung im Bereich der medizinischen Bildanalyse ausgerichtet, mit besonderem Schwerpunkt auf der Entwicklung, dem Training, der Evaluierung und der klinischen Anwendbarkeit von Modellen der künstlichen Intelligenz. Das Programm umfasste Vorlesungen, technische Sitzungen und praktische Workshops, in denen moderne Ans’atze des Computer Vision und des Managements medizinscher Bilddaten behandelt wurden.
Im Verlauf des Programms wurden verschiedene Architekturen neuronaler Netze behandelt, die für Aufgaben der medizinischen Segmentierung, Klassifikation und Bildinterpretation eingesetzt werden. Besondere Aufmerksamkeit wurde Modellen gewidmet, die eine automatische Extraktion anatomischer Strukturen, pathologischer Verändrungen oder relevanter bildbasierter Merkmale aus medizinischen Aufnahmen ermöglichen. Solche ansätze spielen eine wichtige Rolle bei der Entwicklung von Systemen zur Unterstützung klinicher Entscheidungsprozesse, bei der Planung medizinischer Eingriffe sowie bei der Erhöhung der Präzision bildgeführter Verfahren.
Neben den Modellen selbst umfasste das Programm auch praktische Aspekte der Entwicklung von Systemen auf Basis von Deep Learning. Diskutiert wurden die Vorbereitung und Vorverarbeitung von Daten, die Organisation von Trainings-, Validierungs- und Testdatensätzen, Strategien für das Modelltraining sowie die Auswahl geeigneter Metriken zur Leistungsbewertung. Ein besonderer Schwerpunkt lag auf der Bewertung der Robustheit von Modellen, ihrer Generalisierungsfähigkeit auf neue Daten und der Bedeutung einer zuverlässigen Validierung vor einer möglichen Anwendung im klinischen Umfeld
Ein wichtiger Teil des Programms befasste sich auch mit Herausforderungen, die im Bereich medizinischer Bilddaten besonders ausgeprägt sind. Dazu zählen die begrenzte Verügbarkeit qualitativ hochwertig annotierter Datensätze, die Variabilität medizinischer Aufnahmen, Unterschiede zwischen Geräten und Aufnahmeprotokollen, Klassenungleichgewische sowie der Bedarf an interpretierbaren und klinisch zuverlässigen Modellen. Zudem wurde der Transfer entwickelter Algorithmen aus dem Forschungsumfeld in reale medizinische und robotische Anwendungen diskutiert.
Die erworbenen Kenntnisse stehen in direktem Zusammenhang mit den Forschungsaktivitäten im Rahmen des Projekts INSPIRATION, insbesondere mit den Bereichen Computer Vision, Analyse medizinischer und biometrischer Daten sowie nichtinvasive Patientregistrierung. Methoden des Deep Learning zur Segmentierung und Interpretation von Bildern stellen eine wichtige Grundlage für die Entwicklung fortschrittlicher Systeme dar, die zu einer präziseren Planung und Durchführung robotisierter medizinischer Eingriffe beitragen können.
Die Teilnahme an dieser Sommerschule ermöglichte eine zusätzliche fachliche Weiterbildung im Bereich der künstlichen Intelligenz in der medizinischen Bildgebung, den Wissensaustausch mit internationalen Expertinnen, Experten und Forschenden sowie einen Einblick in aktuelle Forschungstrends und Herausforderungen bei der Anwendung von Deep Learning in der Medizin. Diese Erfahrung trägt zusätzlich zur Entwicklung der Forschungskompetenzen im Rahmen der Projekts INSPIRATION sowie zur Stärkung der internationalen Zusammenarbeit in den Bereichen Computer Vision, medizinische Robotik und robotisch gefürte medizinische Verfahren bei.
Das Projekt wird von der Europäischen Union – NextGenerationEU – finanziert.
Das Projekt wurde von der Europäischen Union aus dem Europäischen Fonds für regionale Entwicklung kofinanziert.
Die Erstellung der Website wurde von der Europäischen Union aus dem Europäischen Fonds für regionale Entwicklung kofinanziert.
Für den Inhalt der Website ist ausschließlich die Fakultät für Maschinenbau und Schiffbau verantwortlich.