Seit rund anderthalb Jahren besteht eine Kooperation zwischen der NORDAKADEMIE und dem Universitätsklinikum Hamburg-Eppendorf (UKE) im Bereich Künstliche Intelligenz und Deep Learning für die medizinische Bildverarbeitung. Entstanden ist die Zusammenarbeit durch die Kontaktaufnahme von Prof. Dr. Arne Ewald zu Prof. Dr. René Werner des Instituts für Angewandte Medizininformatik am UKE. Schnell konnten spannende Fragestellungen und geeignete Daten für Masterarbeiten identifiziert werden.
Ziel ist ein klarer Win-win: In Forschungsgruppen existieren häufig mehr wissenschaftlich und klinisch relevante Fragestellungen, als im Tagesgeschäft realistisch bearbeitet werden können. Gleichzeitig suchen Masterstudierende nach Themen mit gesellschaftlicher Relevanz, realen Daten, aktuellen Methoden und wissenschaftlicher Tiefe. Die Kooperation bietet darüber hinaus einen besonderen Mehrwert für berufsbegleitend Studierende, die so Einblicke in die Arbeitsweise eines wissenschaftlichen Instituts erhalten und Forschung im klinischen Kontext aus erster Hand erleben.
Ein zentrales Merkmal ist die Arbeit unter realen klinischen Rahmenbedingungen. Wenn Datensätze hochsensibel sind, dürfen sie das UKE nicht verlassen. In diesen Fällen arbeiten Studierende vor Ort am UKE und nutzen die dortige Infrastruktur für Training und Auswertung. Weiterhin gibt es auch Arbeiten, die auf öffentlich verfügbaren Datensätzen basieren und damit ohne sensible klinische Daten auskommen. Für diese Projekte steht an der NORDAKADEMIE im Rahmen eines Proof of Concept eine virtuelle Maschine mit leistungsfähiger GPU in der Azure Cloud zur Verfügung. So können Studierende moderne Deep-Learning-Modelle praktisch trainieren und evaluieren – und zugleich Erfahrung mit professionellen Compute-Umgebungen sammeln.
Neben Prof. Dr. Arne Ewald von der NAK werden die Arbeiten am UKE durch Prof. Dr. René Werner sowie ein Team aus Doktorand:innen und Postdocs am Institut für Angewandte Medizininformatik intensiv betreut. Regelmäßige gemeinsame Abstimmungstermine als auch schnelle Erreichbarkeit vor Ort sichern den Fortschritt und schärfen das weitere Vorgehen.
„Für unsere Studierenden ist es eine besondere Chance, an echten klinischen Fragestellungen zu arbeiten und dabei den wissenschaftlichen Alltag am UKE unmittelbar kennenzulernen. Gleichzeitig entsteht ein Transfer, bei dem moderne Deep-Learning-Methoden perspektivisch einen konkreten Beitrag zu diagnostischen Workflows und zur Qualitätssicherung leisten können. Ich bin beeindruckt vom Engagement der Studierenden, die sich teils große Zeitblöcke im Job freiorganisieren, um vor Ort an ihren Masterarbeiten zu arbeiten. Auch inhaltlich sind die Themen für mich äußerst spannend, weil sie methodische Innovation und klinische Relevanz verbinden. Ich freue mich sehr über diese Möglichkeit für unsere Studierenden und danke allen Partner*innen am Institut für Angewandte Medizininformatik am UKE für Ihre Zeit und Ihren großartigen Einsatz.“ (Prof. Dr. Arne Ewald)
„Die Kooperation mit der NORDAKADEMIE hat sich für uns als sehr gelungen erwiesen. Die Studierenden starten zwar häufig ohne spezifisches Vorwissen in die komplexe Thematik der medizinischen Bildverarbeitung. Umso mehr sind wir aber beeindruckt, mit welcher enormen Motivation sie sich die notwendige Expertise aneignen und Ergebnisse erarbeiten, die wertvolle Bausteine unserer aktuellen Forschung sind. Erste gemeinsam erarbeitete Erkenntnisse konnten bereits zur Präsentation auf internationalen Fachkonferenzen eingereicht werden. Dies bestätigt den Erfolg des Modells bzw. der Zusammenarbeit eindrucksvoll.“ (Prof. Dr. René Werner)
Insgesamt umfasst die Kooperation derzeit vier Masterarbeiten: zwei sind abgeschlossen, zwei laufen aktuell.
Abgeschlossen
-
Lucca Grygiel: Klassifikation von ischämischen Schlaganfällen anhand von Angiographie-Daten mit Vision Transformern (Betreuung am UKE durch Maximilian Nielsen). In der Arbeit wurde untersucht, ob neuartige Vision-Transformer-Modelle zur automatisierten Beurteilung ischämischer Schlaganfälle besser geeignet sind als etablierte Architekturen wie beispielsweise ResNets.
-
Finn Hinnerk Dieckhoff: Automatisierte Erkennung von Kniefrakturen auf Röntgenbildern mittels Deep-Learning-Methoden (Betreuung am UKE durch Maximilian Nielsen). Die Arbeit adressiert diagnostisch anspruchsvolle Fälle und untersucht systematisch, wie sich zwei Standardprojektionen (AP und lateral) durch verschiedene Multiview-Fusionsstrategien kombinieren lassen. Zur Veranschaulichung zeigen die Abbildungen unten ein Beispiel für die zwei verwendeten Röntgenprojektionen, einschließlich markierter relevanter Bildbereiche, und eine schematische Übersicht der untersuchten Fusionsstrategien zur Kombination beider Ansichten. Auf Basis der Masterarbeit wurde ein komprimiertes, gemeinsames Paper bei der internationalen Fachkonferenz Medical Imaging with Deep Learning (MIDL) eingereicht.
Laufend
-
Niklas Hansen: Deep-Learning-basierte Objekterkennung weißer Blutkörperchen in peripheren Blutausstrichen aus lichtmikroskopischen Aufnahmen (Betreuung am UKE: Maximilian Nielsen). In der Arbeit wird untersucht, inwieweit weiße Blutkörperchen auf mikroskopischen Bildern ohne erneutes Training eines KI-Modells zuverlässig ausgeschnitten werden können, um diese Bildausschnitte anschließend als gut- oder bösartig zu klassifizieren.
-
Sören Köllmann: Artefakterkennung in 4D-CT-Daten (Betreuung am UKE: Thilo Sentker und Frederic Madesta). In der Masterarbeit wird untersucht, ob typische Bildartefakte in einer Zeitreihe von CT-Bildern mittels KI-Unterstützung zuverlässig erkannt werden können, um so die Bildqualität und Auswertbarkeit im klinischen Kontext besser beurteilen zu können.
