Dein Profil
Du studierst Informatik, Mathematik oder ein natur- bzw. ingenieurwissenschaftliches Fach und hast Interesse an medizinischen Fragestellungen. Du hast Erfahrung in der Programmierung mit Python und Grundkenntnisse in den Bereichen Bildverarbeitung/Computer Vision oder maschinelles Lernen (zum Beispiel PyTorch).

 

Die Masterarbeit
Öffentlich zugängliche Datenbanken erlauben Zugang zu Studien mit mehreren tausend Bilddaten zusammen mit Informationen über den Krankheitsgrad der Probanden. Für 2D Bilddaten wurden bereits gute Ergebnisse mit Methoden des maschinellen Lernens erreicht. 3D Bilddaten stellen die Algorithmen jedoch bislang noch unter Probleme, einerseits aufgrund von Speicherbeschränkungen der GPUs und andererseits weil die jeweiligen Krankheiten sich meist in relativ kleinen Regionen der 3D Bilddaten manifestieren.

In dieser Masterarbeit sollen im Kontext der Kniearthrose Methoden von 3D Convolutional Neural Networks für die Diagnosik von 3D Bilddaten analysiert werden. Es sollen neue Methoden angewendet werden, um Netze in einer speicher-günstigen Art zu implementieren. Als ein Schritt in Richtung "Explainable Artificial Intelligence", könnte z.B. eine Visualisierung der Regionen erfolgen, die für die Diagnose des Netzes einen besonders hohen Einfluss hatten.

Die Masterarbeit kann in Deutsch oder Englisch erfolgen.

 

Unser Angebot
In der Arbeitsgruppe Therapy Planning bearbeiten wir aktuelle medizinische Fragestellungen mit Methoden der Informatik, Mathematik, Natur- und Ingenieurwissenschaften. Im Vordergrund steht die praxisgerechte Lösung medizinisch relevanter Probleme. Die angebotene Masterarbeit bietet einen spannenden Einstieg in die medizinische Bildverarbeitung und in Techniken des maschinellen Lernens.

 

Nähere Informationen bei Alexander Tack (Raum 4301 im ZIB, Takustraße 7; Tel. 030-84185-479; E-Mail: tackzib.de) und Stefan Zachow (Raum 4306 im ZIB, Takustraße 7; Tel. 030-84185-275; E-Mail: zachowzib.de)

Visualization Techniques for 3D Image Data
MA-05/19
Geometric Deep Learning for Dense Correspondence
MA-03/19
Evaluation and Comparison of Linear and Non-linear Approaches for the Analysis and Synthesis of Facial Motion
MA-01/19