Herzlich willkommen am Institut für angewandte Medizininformatik
Das Institut für angewandte Medizininformatik (IAM) gehört zum Zentrum für Experimentelle Medizin des Universitätsklinikums Hamburg-Eppendorf.
Das Beginn 2021 neu geschaffene Institut führt komplexe, medizinische Daten zusammen und erzeugt in Partnerschaft mit Expert:innen effektiv gegen Krankheiten nutzbares Wissen, welches zu einem tieferen Krankheitsverständnis und zu einer erfolgreicheren Behandlung von Patienten führt. Ein agil arbeitendes Team erschafft und publiziert innovative Prozesse sowie maßgeschneiderte Methoden und Werkzeuge für Ärzt:innen und Forscher:innen. Unser Ziel ist es, der medizinischen Forschung heterogene Datenbestände zu erschließen, interdisziplinäre und internationale Kooperationen zu ermöglichen und komplexe Analysen zu vereinfachen.
Institutsdirektor
Anfangs lehrte Professor Ückert in Münster als Juniorprofessor und dann in Mainz als Universitätsprofessor und Leiter der Medizininformatik. Dabei wurde die Unterstützung und oft auch erst Initialisierung der medizinischen Verbundforschung für ihn zu einem Schwerpunkt. Ein Beispiel für einen komplexen Verbund ist das Deutsche Konsortium für translationale Krebsforschung (DKTK), eines der vom BMBF geförderten Deutschen Zentren der Gesundheitsforschung. Für die Entwicklung von dessen IT-Plattform, die alle elf Standorte des DKTK verbindet und gemeinsame Forschung mit den Daten und Biomaterialien ermöglicht, war er verantwortlich. Als ein Bestandteil eines „Spitzenclusters“ (Hightech-Strategie des BMBF) entwickelte Professor Ückert zudem ein internetbasiertes Portal, um verschiedene Omics-Daten kombiniert mit klinischen Daten teilautomatisiert biometrisch auswerten zu können.
Ab Januar 2016 leitete er als Universitätsprofessor der Universität Heidelberg die Medizinische Informatik in der Translationalen Onkologie am Deutschen Krebsforschungszentrum. Hier wurden hochkomplexe Daten in Partnerschaft mit Experten aus verschiedenen Disziplinen in Wissen umgewandelt, das zu Diagnose- und Therapiezwecken eingesetzt werden kann. Die in dem zusammen mit SAP entwickelten Data-Warehouse gesammelten Daten werden automatisch mit Informationen aus Publikationen und aus verschiedenen Datenbanken kombiniert. Über die Kenntnis von Modellen, aber auch mittels Algorithmen des maschinellen Lernens, wurden klinische Entscheidungshilfen gegeben und Forschungshypothesen generiert, um zu einem tieferen Verständnis der Erkrankung beizutragen.
Die Forschungsgruppen
_teaserbild.png)
Abschlussarbeiten
Am IAM bieten wir Studierenden diverser (MINT) Studiengänge die Möglichkeit, Projekt-, Bachelor-, Masterarbeiten sowie medizinische Promotionen bei uns zu verfassen. Die verfügbaren Themen finden Sie untenstehend. Bei Interesse senden Sie bitte eine E-Mail an die jeweilige Ansprechperson und geben das für Sie interessante Thema im Betreff an. Alle aufgeführten Themen sind derzeit noch verfügbar.
- Zellklassifikation
- Transformer
- AngioLLM
- Simulation Framelabeling
- Videolabeling Pipeline
-
Zellklassifikation
Studienarbeit: Zellklassifikation (Bachelor/Projekt/Master)
Kollaboration von KI und Expert:innen:
Human-in-the-loop-Systeme zur effizienten Segmentierung und Klassifikation von Blut- und Knochenmarkszellen.Blut- und Knochenmarksausstriche spielen in der Diagnostik von Leukämie eine entscheidende Rolle. Aus der Verteilung der Zellbestandteile lassen sich wichtige diagnostische Rückschlüsse auf das Vorhandensein und das Fortschreiten der Erkrankung ziehen. Bis dato erfolgt diese Evaluation manuell durch klinische Expert*innen. Ziel der Arbeit ist das Entwickeln eines prototypischen Tools zur semiautomatischen Analyse von Blut- und Knochenmarksausstrichen und ein automatisches Update der zugrunde liegenden KI-Modelle durch intelligente Integration neuer Datenpunkte.
Aufgaben:
- Segmentierung von Einzelzellbildern aus Knochenmark- und Blutausstrichen mittels
neuronaler Netze - Annotation der Daten durch CVAT
- Online-Finetuning von „lightweight“ KI-Klassifikatoren auf Basis erlernter Zellrepräsentationen
Voraussetzungen:
- Technischer Studiengang wie Informatik/ Physik/ (Medizin-) Ingenieurwesen o.ä.
- Grundkenntnisse im (objekt-orientierten) Programmieren mit Python
- Gerne erste Erfahrungen mit Deep (pytorch), Machine Learning (scikit-learn) & Softwareentwicklung
Ansprechpartner:
Prof. Dr. René Werner,
gerne formlos an r.werner@uke.de
Image Processing and Medical Imaging Group -
-
Transformer
Studienarbeit: Transformer (Bachlor/Projekt/Master)
Effiziente Videoanalyse in der medizinischen Bildgebung mittels Transformer-Architekturen und Self-supervised Learning
Videos aus der medizinischen Bildgebung, beispielsweise wie Laryngoskopien und angiografische Aufnahmen, stellen eine große Herausforderung für die automatische Bildverarbeitung dar. Annotationen, zum Beispiel für die Beurteilung der Intubierbarkeit eines Patienten oder des Schweregrads eines Gefäßverschlusses, nur für bestimmte Abschnitte des Videos oder als globales Label für das gesamte Video verfügbar. Darüber hinaus führen Hardwarebeschränkungen zu langsamen und aufwändigen Trainingsprozessen.
Das Ziel dieses Projekts ist es, durch geschicktes Vortrainieren und den Einsatz von Transformer-Architekturen verschiedene Klassifikationsszenarien zu untersuchen. Dazu soll eine Trainingspipeline entwickelt werden, die es erlaubt Modelle Annotations und Ressourcen effizient, auf neue Fragestellungen zu adaptieren.Aufgaben:
- Einsatz und Anpassung von Transformer-Architekturen zur Kombination der einzelnen Videoframes (bzw. deren erlernte Repräsentationen) für verschiedene Klassifikationsszenarien
- Weiterentwicklung der Trainingspipeline für neue Fragestellungen
- Validierung der Ergebnisse anhand von zwei klinischen Datensätzen: Angiographien & Laryngoskopien
Voraussetzungen:
- Technischer Studiengang wie Informatik/ Physik/ Bioinformatik/ (Medizin-) Ingenieurwesen o.ä.
- Grundkenntnisse im (Objekt-orientierten) Programmieren mit Python
- Gerne erste Erfahrungen mit Deep (pytorch) & Machine Learning (scikit-learn)
Ansprechpartner:
Prof. Dr. René Werner,
gerne formlos an r.werner@uke.de
Image Processing and Medical Imaging Group -
-
AngioLLM
Studienarbeit: AngioLLM (Bachelor/Projekt/Master)
LLMs und Videos:
Erlernen von Angiographie-Videorepräsentationen aus BefundtextenVideos aus angiographischen Herzkatheteruntersuchungen zeichnen sich durch eine hohe Komplexität aus. Sowohl der zeitliche Verlauf des Kontrastmitteleinflusses in die Gefäße als auch die Kombination von Informationen aus mehreren Blickwinkeln nötig ist, um eine vollständige Beschreibung des Gefäßzustandes zu erhalten. Manuelle Annotationen erfordern Expertenwissen und sind oft auf einzelne Fragestellungen beschränkt. Das Ziel dieses Projekts ist es zu untersuchen, ob die Kombination aus Befundtexten und Videos ohne zusätzliche Expertenannotation geeignet ist, um eine sinnvolle Repräsentation von angiographischen Aufnahmen zu erlernen. Außerdem soll geprüft werden, ob diese Kombination genutzt werden kann, um automatische Annotationen zur Validierung zu extrahieren.
Aufgaben:
- Extraktion von Datenannotationen durch Anwendung von Natural Language Processing (NLP) und Large Language Models (LLMs) auf Befundtexte
- Aufsetzen einer Trainingspipeline zum simultanen Erlernen von Befund- und Videorepräsentationen
- Validierung der Ergebnisse anhand von ICD-10-Codes und anderen relevanten medizinischen Daten
Voraussetzungen:
- Technischer Studiengang wie Informatik/ Physik/ Bioinformatik/ (Medizin-) Ingenieurwesen oder ähnliches
- Grundkenntnisse im (Objekt-orientierten) Programmieren mit Python
- Gerne erste Erfahrungen mit Deep (pytorch) & Machine Learning (scikit-learn)
Ansprechpartner:
Prof. Dr. René Werner,
gerne formlos an r.werner@uke.de
Image Processing and Medical Imaging Group -
-
Simulation Framelabeling
Studienarbeit: Simulation Framelabeling (Bachelor/Projekt/Master)
Effiziente Annotation medizinischer Videos:
Welche Frames sind wirklich wichtig?Effiziente Annotationsprozesse sind ein wichtiger Pfeiler für den Einsatz von Deep-Learning-Systemen im medizinischen Kontext. Dies gilt insbesondere für die Annotation von Videos, wenn Annotationen für einzelne Frames vorgenommen werden. Obwohl das Encoding der Videoframes grundsätzlich durch Self-Supervision labelfrei erlernt werden kann, sind für eine aufgabenspezifische Prädiktion solche Annotationen unerlässlich.
Ziel der Arbeit ist es, auf Basis einer Deep-Learning-Videoklassifikationspipeline verschiedene Strategien zur Präselektion zu annotierender Einzelframes zu entwickeln und hinsichtlich ihrer Effizienz zu evaluieren. Hierfür steht ein gelabelter Videodatensatz aus Laryngoskopien zur Verfügung. Bei allen Experimenten handelt es sich zunächst um Simulationen.Aufgaben:
- Entwicklung einer Simulationspipeline für sparse annotations (Annotation weniger, aber aufgabenspezifisch sinnvoller Frames)
- Weiterentwicklung einer Trainingspipeline für sparse annotations
- Evaluierung verschiedener Strategien zur optimalen Selektion der Frames (z.B. über die Varianz verschiedener Frames, Optical Flow, Latent Space-Repräsentation, etc.)
Voraussetzungen:
- Technischer Studiengang wie Informatik/ Physik/ Bioinformatik/ (Medizin-) Ingenieurwesen oder ähnliches
- Grundkenntnisse im (Objekt-orientierten) Programmieren mit Python
- Gerne erste Erfahrungen mit Deep (pytorch) & Machine Learning (scikit-learn)
Ansprechpartner:
Prof. Dr. René Werner
gerne formlos an r.werner@uke.de
Image Processing and Medical Imaging
-
Videolabeling Pipeline
Medizinische Promotion oder Studienarbeit: Videolabeling Pipline (Bachelor/Projekt)
Entwicklung eines Human-in-the-Loop-Systems zur KI-basierten Klassifikation von Laryngoskopievideos
Deep-Learning-Lösungen für das Erlernen eines Verständnisses und die Klassifikation von Sequenzen oder einzelnen Frames medizinischer Videos wie z.B. Laryngoskopievideos stellen aus zweierlei Gründen eine Herausforderung in der automatischen Bildverarbeitung dar:
1.) das erforderliche Annotieren von Einzelframes ist zeitaufwändig und erfordert Expertenwissen
2.) das Training von Deep-Learning-Modelle benötigt eine große Anzahl annotierter Datenpunkte
Durch den Einsatz von nicht annotierten Daten lässt sich durch selbstüberwachtes Lernen die Anzahl der zur Klassifikation benötigten Daten zwar reduzieren, der Bedarf einer effizienten Pipeline zur Annotation bleibt jedoch weiterhin bestehen. Ziel dieser Arbeit ist es, eine effiziente Annotations-Pipeline auf der Basis von CVAT (Computer Vision Annotation Tool) aufzusetzen und verschiedene Szenarien wie das Labeln von einzelnen Frames oder ganzen Videoabschnitten zu untersuchen. Außerdem soll eine effizienter Human-in-the-Loop-Ansatz implementiert werden, der ein kontinuierliches Online-Training von Klassifikationsmodellen ermöglicht.Aufgaben:
- Entwicklung einer Annotationspipeline mit CVAT mit folgenden Anforderungen:
- Annotation relevanter Einzelframes und zusammenhängender Videoabschnitte
- Möglichkeit der Erstellung eines Konsensus-Ratings
- Weiterentwicklung der von Deep Learning-Trainingspipelines für einen Human-in-the-Loop-Betrieb
- Evaluation von Interrater-Reliabilität und Konsensusrating für ausgewählte medizinische Fragestellungen auf Basis von Laryngoskopievideos
- Evaluation des kontinuierlichem Trainings
Voraussetzungen:
- Medizinstudium mit starker technischer Affinität oder Technischer Studiengang wie Informatik/ Physik/ Bioinformatik/ (Medizin-) Ingenieurwesen
- Grundkenntnisse im (Objekt-orientierten) Programmieren mit Python
- Gerne erste Erfahrungen mit Deep (pytorch) & Machine Learning (scikit-learn)
Ansprechpartner:
Prof. Dr. René Werner
gerne formlos an r.werner@uke.de
Image Processing and Medical Imaging Group - Entwicklung einer Annotationspipeline mit CVAT mit folgenden Anforderungen: