Data Science
Unsere Data Science und Machine Learning Forschungsgruppen haben das Ziel, neue Wege zum Umgang mit und zur Analyse von Daten in der Radiologie zu entwickeln. Die jüngsten Fortschritte in den Bereichen Data Science, Machine Learning und Computer Vision bieten der Radiologie zahlreiche Einsatzmöglichkeiten um die Patientenversorgung und die klinische Praxis in verschiedensten Bereichen zu verbessern.
Das Institut für Diagnostische und Interventionelle Radiologie hat zwei Forschungsgruppen für Data Science und Machine Learning in der Radiologie mit unterschiedlichen Schwerpunkten:
Forschungsthemen
Ziel unserer Forschungsgruppe ist es, Methoden der Künstlichen Intelligenz in der Radiologie zu entwickeln, zu testen und einzusetzen sowie Datenkuration, Vor- und Nachbearbeitung der verwendeten Daten durchzuführen.
Unsere aktuellen Projekte umfassen Deep-Learning-Methoden für ein breites Themenspektrum wie die Radiomics-Merkmalsextraktion, Bildsegmentierung und -klassifikation. Im Zuge der rasanten Entwicklung des Felds erforschen wir natürlich auch neue und aktuelle Techniken, darunter unbeaufsichtigte Lernmethoden, generative neuronale Netze (generative adversarial networks, GANs) und die Kombination verschiedener Datenquellen. Wir sind immer auf der Suche nach neuen Fortschritten und Methoden, die wir in unsere Forschung einbinden können.
Weitere Informationen: https://raddatascience.uni-koeln.de/research
Forschungsprojekte
- Segmentierung, Klassifizierung und Charakterisierung von Lymphknoten
- Klassifizierung und Charakterisierung von Läsionen der Lunge
- Segmentierung, Klassifizierung und Charakterisierung von Hirntumoren
- Charakterisierung von Prostataläsionen
- Segmentierung und Charakterisierung von Nierenerkrankungen
- Reproduzierbarkeit von Merkmalen, die in Radiomics-Studien extrahiert werden
Förderungen
- 2023-2026 Open Medical Inference OMI (BMBF)
- 2023-2026 “DEvelopment and dEployment of a Pipeline for automated LymphoNodal profiling and staging: DEEP-LN”, gefördert durch Schwerpunktprogramm 2177 der DFG [LINK: gepris.dfg.de/gepris/projekt/428219815]
- 2023-2024 “Evaluation of Clinical Translatability of Publicly Available Deep Learning Methods in Chronic Lymphocytic Leukaemia (CLL)”, gefördert durch Köln Fortune (Medizinische Fakultät der Universität zu Köln)
- 2020-2024 RACOON (LINK: radiologie.uk-koeln.de/forschung/forschung-mit-racoon/)
- 2023-2024 Else Kröner
- 2021-2022 “DeepLesion – Bringing automatic segmentation for brain tumours into clinical practice)”, gefördert durch Köln Fortune (Medizinische Fakultät der Universität zu Köln)
- 2020-2021 “RISK – Risk Maps using T2 mapping and Diffusion MR Sequences of the Prostate”, ESR Seed Grant Award der European Society of Radiology (ESR) und des European Institute for Biomedical Imaging Research (EIBIR)
- 2020-2021 “GAIA – Group for Applied Imaging Application of Artificial Intelligence”, gefördert durch Köln Fortune (Medizinische Fakultät der Universität zu Köln)
- Forschungsgruppe für Experimentelle Bildgebung und bildgestützte Therapie, Institut für Diagnostische und Inteventionelle Radiologie, Uniklinik Köln
- Forschungsgruppe für Kardiovaskuläre Bildgebung, Institut für Diagnostische und Interventionelle Radiologie, Uniklinik Köln
- Machine Learning und Data Science Gruppe, Institut für Diagnostische und Interventionelle Radiologie, Uniklinik Köln
- Forschungsgruppe für Onkologische Bildgebung, Institut für Diagnostische und Interventionelle Radiologie, Uniklinik Köln
- Klinik für Stereotaxie und Funktionelle Neurochirurgie, Uniklinik Köln
- Klinik und Poliklinik für Innere Medizin I - Onkologie, Hämatologie, Klinische
- Center for Data and Simulation Science (CDS), Universität zu Köln
- Multiparametrische Bildgebung und Radiomics - PD Dr. B. Baeßler
- Zentrum für Integrierte Onkologie (CIO)
- Philips Research Aachen
- Philips Research Hamburg
- Jülich Supercomputing Centre
- Regionales Rechenzentrum der Universität zu Köln (RRZK)
- Deutsches Krebsforschungszentrum (DKFZ)