Projekt 01FMTHH17

DAISY – Aufbau einer gemeinsamen UKE-TUHH-Deep Learning-Plattform für biomedizinische Bildverarbeitung

Ausgangssituation

Die biomedizinische Bildverarbeitung erlebt derzeit einen Paradigmenwechsel. Während in den letzten Dekaden vornehmlich problem- und datenspezifische Bildverarbeitungsalgorithmen und -pipelines entworfen und inkrementell optimiert wurden, werden aktuell immer stärker allgemein anwendbare Verfahren des Machine Learnings zur Bearbeitung unterschiedlichster Fragestellungen eingesetzt. Insbesondere Deep Learning (DL)-Techniken wie Convolutional Neural Networks erfreuen sich großer Beliebtheit.

Motiviert durch den aktuellen Erfolg der DL-Techniken initiieren sowohl an der TUHH als auch dem UKE verschiedene Arbeitsgruppen erste Projekte zur Integration von entsprechenden Ansätzen in die biomedizinische Bildverarbeitung. Ein arbeitsgruppen- und institutionsübergreifender Informationsaustausch oder synergistische Zusammenarbeit findet jedoch bislang kaum statt.

Zielsetzung

Durch DAISY (Deep Artificial Intelligent SYstems for biomedical image processing) soll eine gemeinsame Anlaufstelle und Plattform für Bachelor-, Master- und PhD-Studierende der TUHH und Studierende der Medizinischen Fakultät der Universität Hamburg etabliert werden, die an der DL-Anwendung und -Methodenentwicklung für die biomedizinische Bildgebung und -verarbeitung interessiert sind. Hierdurch soll der arbeitsgruppen- und universitätsübergreifende Informationsaustausch gefördert und die Definition neuer Kooperationsprojekte im Bereich des DL in der Biomedizin erleichtert werden. DAISY soll gemeinsam von interessierten Arbeitsgruppen der TUHH und des UKEs gestaltet und genutzt werden.

Vorgehensweise

Um DAISY zu etablieren, wurden folgende Maßnahmen umgesetzt:

  1. Die Bereitstellung von DL-Hardware an den beteiligten Standorten (TUHH, UKE).
  2. Die Etablierung einer gemeinsamen Plattform zum arbeitsgruppen- und institutionsübergreifenden Austausch von DL-Methoden und Quellcode.
  3. Die Organisation eines regelmäßigen Journal Clubs, von Hackathons sowie der gemeinsamen Teilnahme an internationalen Challenges im Bereich der biomedizinischen Bildverarbeitung.

Die DL-Hardware wird Studierenden für ihre Abschlussarbeiten bereitgestellt, um hierdurch aktiv gemeinsam betreute Arbeiten von TUHH und UKE zu fördern. Weitere Rechenkapazitäten werden aktuell im Rahmen des Anschlussprojektes Joint medical Image-reconstruction and processing for high-dimensional data using deep learning geschaffen.

Die gemeinsame Arbeit in Journal Clubs, Hackathons und an Bildverarbeitungschallenges hat bereits zu zahlreichen arbeitsgruppenübergreifenden Publikationen geführt. Hervorzuheben sind u.a. Top-Ten-Platzierungen in international angesehenen Challenges wie PAIP (Pathology Artificial Intelligence Platform; Lebertumorsegmentierung in WSI-Daten), eine Top-20%-Platzierung der SIIM-ACR Pneumothorax Segmentation Kaggle-Challenge sowie der Gewinn der ISIC (International Skin Imaging Consortium)-Challenge zur Hautkrebsklassifikation, die im Rahmen der MICCAI 2019 ausgetragen wurde.

DAISY wird über die Projektlaufzeit hinaus weitergeführt werden und lebt von der aktiven Mit- und Zusammenarbeit von Studierenden und Arbeitsgruppen. Wir freuen uns über weitere Interessierte jeder Vorwissensstufe, die gemeinsam mit uns über DL-Fragestellungen diskutieren und an DL-Aufgaben arbeiten möchten.


Beteiligte

Ivo M. Baltruschat
Wissenschaftlicher Mitarbeiter
Institut für Biomedizinische Bildgebung
TUHH

Nils Gessert

Wissenschaftlicher Mitarbeiter
Institut für Medizintechnische und Intelligente Systeme
TUHH

PD Dr. rer. nat., René Werner
Wissenschaftlicher Arbeitsgruppenleiter
Institut für Computational Neuroscience
AG Bildverarbeitung und Medizinische Informatik
UKE


Medien


Publikationsliste

  • Ivo M. Baltruschat, Patryk Szwargulski, Florian Griese, Mirco Grosser, Rene Werner, Tobias Knopp (2020). 3d-SMRnet: Achieving a new quality of MPI system matrix recovery by deep learning. In: 23rd International Conference on Medical Image Computing & Computer Assisted Intervention (MICCAI) (accepted).
  • Rüdiger Schmitz, Frederic Madesta, Maximilian Nielsen, René Werner, Thomas Rösch (2020). Multi-scale fully convolutional neural networks for histopathology image segmentation: from nuclear aberrations to the global tissue architecture. arXiv:1909.10726v2.
  • Nils Gessert, Maximilian Nielsen, Mohsin Shaikh, René Werner, Alexander Schlaefer (2020). Skin lesion classification using ensembles of multi-resolution EfficientNets with meta data. MethodsX 7:100864.
  • Nils Gessert, Thilo Sentker, Frederic Madesta, Rüdiger Schmitz, Helge Kniep, Ivo M. Baltruschat, René Werner, Alexander Schlaefer (2020). Skin lesion classification using CNNs with patch-based attention and diagnosis-guided loss weighting. IEEE Transactions on Biomedical Engineering 67(2):495-503.
  • Rüdiger Schmitz, René Werner, Thomas Rösch (2019). Künstliche Intelligenz in der Endoskopie: Neuronale Netze und maschinelles Sehen – Techniken und Perspektiven. Zeitschrift für Gastroenterologie 57: 767-780.
  • Lasse Böhme, Frederic Madesta, Thilo Sentker, René Werner (2019). Combining good old random forest and DeepLabv3+ for ISLES 2018 CT-based stroke segmentation. In: Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. LNCS, Springer, pp. 335-342, 2019.

Folgeprojekte

I3-Junorprojekt gefördert durch die TUHH: Joint medical Image-reconstruction and processing for high-dimensional data using deep learning