zur Hauptnavigation springen zum Inhaltsbereich springen

BayWISS-Kolleg Health www.baywiss.de

Projekte im Verbundkolleg Gesundheit

© eliola, Pixabay '

Computergestützte Tumordiagnose mit Deep-Learning

Histopathologie ist die Lehre von krankhaften Gewebsveränderungen. Dabei werden mikrometerdünne Gewebeschnitte angefertigt und mit speziellen Färbemitteln gefärbt um bestimmte Strukturen sichtbar zu machen. In der Tumordiagnostikstellt die Befundung dieser Schnitte durch Pathologinnen und Pathologen unter dem Lichtmikroskop den bisherigen Goldstandard dar. Je nach Fragestellung und Tumorart ist diese Diagnostik allerdings auch zeitaufwändig, da große Informationsmengen erfasst werden müssen. Auch werden teilweise nur unzufriedenstellende Übereinstimmungen zwischen Experten beschrieben.

Mit der Entwicklung spezieller Scanner ist es möglich geworden, diese Schnitte zu digitalisieren und sie damit Algorithmen zur automatischen Auswertung zugänglich zu machen. Diese digitalisierten Schnitte werden Whole Slide Images (WSIs) genannt und haben enorme Größen von mitunter mehreren Hunderttausend Pixeln in Breite und Höhe.

Mit dieser digitalen Histopathologie sollen Pathologen und Pathologinnen in Ihrer Arbeit unterstützt und diagnostische Workflows schneller und reproduzierbarer werden.

Die Entwicklung von Deep Learning-Anwendungen, welche die Diagnostik von Tumoren verbessern und somit bessere Aussagen zur Tumorbiologie sowie zur Malignität und Prognose erlauben und hiermit geeignet sind, zielgerichtete Therapien im Sinne der precision medicine zu ermöglichen ist ein Eckpunkt meiner Promotion.

Ein weiterer ist die Entwicklung von Strategien, die geeignet sind, den Annotationsprozess medizinischer Trainingsdaten zu verbessern und somit zur Verbesserung der KI-gestützten Diagnostik beizutragen.

MEMBER IN THE JOINT ACADEMIC PARTNERSHIP

since

Joint Academic Partnership Health

Supervisor :

Prof. Dr.-Ing. Marc Aubreville

Hochschule Flensburg

In unserer Forschung beschäftigen wir uns hauptsächlich mit computer-gestützter Diagnose medizinischer Bilder als holistischem Prozess. Dies schließt neben der automatisierten Erkennung von relevanten Landmarken und Strukturen in medizinischen Bildern mittels Methoden der künstlichen Intelligenz auch den diagnostischen Prozess ein. Insbesondere betrachten wir hierbei auch das Zusammenspiel zwischen medizinischem Experten und Algorithmen und die dabei entstehenden diagnostischen Biases. Ein weiterer Schwerpunkt unserer Arbeit ist der Transfer von in der Grundlagenforschung erfolgreich evaluierten Methoden in medizinische Studien, worauf wir auf ein breites Netzwerk an Partnern in der Medizin zurückgreifen können.

Project:
Computergestützte Tumordiagnose mit Deep-Learning

Supervisor Julius-Maximilians-Universität Würzburg:

Prof. Dr.-Ing. Katharina Breininger

Forschungsschwerpunkte:

  • Medical Image Analysis
  • Machine Learning
  • Microscopy & Interventional Imaging

Project:
Computergestützte Tumordiagnose mit Deep-Learning

Publikationen

Ganz, J., Ammeling, J., Jabari, S., Breininger, K. und M. Aubreville (2025):
Re-identification from histopathology images, Medical Image Analysis, Vol 99 2025. https://doi.org/10.1016/j.media.2024.103335

Ganz, J. et al. (2024):
Assessment of Scanner Domain Shifts in Deep Multiple Instance Learning. In: Maier, A., Deserno, T.M., Handels, H., Maier-Hein, K., Palm, C., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2024. BVM 2024. Informatik aktuell. Springer Vieweg, Wiesbaden. doi.org/10.1007/978-3-658-44037-4_41

Ganz, J., Marzahl, C., Ammeling, J. et al. (2024):
Information mismatch in PHH3-assisted mitosis annotation leads to interpretation shifts in H&E slide analysis. Sci Rep 14, 26273 (2024). https://doi.org/10.1038/s41598-024-77244-6

Ganz, J., Puget, C., Ostermaier, J., et al. (2024):         
Artificial intelligence can be trained to predict c-KIT-11 mutational status of canine mast cell tumors from hematoxylin and eosin-stained histological slides. Veterinary Pathology. 2024;0(0). doi:10.1177/03009858241286806

Ganz, J., Lipnik, K., Ammeling, J., Richter, B., Puget, C., Parlak, E., Diehl, L., Klopfleisch, R., Donovan, T. A., Kiupel, M., Bertram,C. A., Breininger, K. und M. Aubreville (2023):
Deep Learning-based Automatic Assessment of AgNOR-scores in Histopathology Images. In: Proceedings Bildverarbeitung für die Medizin 2023. BVM 2023. Informatik aktuell. Springer Vieweg, Wiesbaden. doi.org/10.1007/978-3-658-41657-7_49.

Ganz J., Kirsch T., Hoffmann L., Bertram Ch. A., Hoffmann Ch., Maier A., Breininger K., Blümcke I., Jabari S. und M. Aubreville (2021):
Automatic and explainable grading of meningiomas from histopathology images, Proceedings of the MICCAI Workshop on Computational Pathology, PMLR 156:69-80.

Vorträge und Präsentationen

Ganz, J. (2023):
Bildverarbeitung für die Medizin, Braunschweig.

Stipendien und Auszeichnungen

BVM-Preis 2023 für den besten wissenschaftlichen Beitrag.

Jonathan Ganz

Jonathan Ganz

Technische Hochschule Ingolstadt

Coordinator

Get in contact with us. We look forward to receiving your questions and suggestions on the Joint Academic Partnership Health.

Dr. Sabine Fütterer-Akili

Dr. Sabine Fütterer-Akili

Koordinatorin BayWISS-Verbundkolleg Gesundheit und BayWISS-Verbundkolleg Economics and Business

Universität Regensburg
Zentrum zur Förderung des wissenschaftlichen Nachwuchses
Universitätsstraße 31
93053 Regensburg

Telephone: +49 941 9435548
gesundheit.vk@baywiss.de