
AG Maschinelles Lernen in der klinischen Neurobildgebung
Die AG erforscht die computerbasierte Erkennung neurologischer und psychischer Erkrankungen anhand von Neurobildgebungsdaten.
Sie befinden sich hier:
Wir setzen Methoden der künstlichen Intelligenz ein, um neurologische und psychische Erkrankungen anhand von Neurobildgebungsdaten zu diagnostizieren und im Verlauf zu charakterisieren. Während bisherige Computerprogramme vor allem versuchen etablierte Marker (wie z.B. das Volumen bestimmter Hirnstrukturen) aus Neurobildgebungsdaten zu extrahieren und für die Charakterisierung einer Erkrankung zu nutzen, bieten Deep Learning-Verfahren, die Möglichkeit komplexe hierarchische Strukturen direkt aus den Daten zu lernen. Besonders erfolgreich und effizient im Bereich der Bilderkennung sind sogenannte Convolutional Neural Networks, die die räumliche Struktur von Bilddaten ausnutzen.
Publikationen finden Sie auf Google Scholar, PubMed, arxiv oder ResearchGate.
Die AG Maschinelles Lernen in der klinischen Neurobildgebung wird durch die DFG, die Charité Nachwuchsförderung, die Brain & Behavior Research Foundation, die DMSG, die Ursula und Manfred Müller-Stiftung und einen NVIDIA GPU grant gefördert. Die AG ist assoziiert mit dem Bernstein Center for Computational Neuroscience Berlin.
Forschungsprojekte
Deep Learning bei Multipler Sklerose
Multiple Sklerose (MS) ist eine Autoimmunerkrankung des zentralen Nervensystems, die schon in jungen Jahren zu einer schwerwiegenden Beeinträchtigung führen kann. Im Rahmen dieses Projekts erforschen wir, inwieweit Convolutional Neural Networks bei der Diagnostik und der Prädiktion von Krankheitsverläufen helfen können. Die Grundlage für unsere Analysen sind T2-gewichtete FLAIR-Bilder, die besonders sensitiv für Läsionen sind. Insbesondere schauen wir uns an, ob unsere Algorithmen Unterschiede auch in normal aussehenden Hirnarealen (d.h. Hirnareale ohne Läsionen) finden. Dieses Projekt findet in enger Kooperation mit Prof. Dr. Friedemann Paul und PD Dr. Michael Scheel vom NeuroCure Clinical Research Center statt.
Gefördert durch die DFG und die Ursula und Manfred Müller-Stiftung.
Deep Learning bei der Alzheimer-Krankheit
Die Alzheimer-Krankheit ist eine neurodegenerative Erkrankung, die im fortgeschrittenen Stadium durch Demenz gekennzeichnet ist. Selbst für geschulte Neuroradiologen ist die sichere Abgrenzung von Gewebeverlust bedingt durch Alzheimer und normalem altersgemäßem Gewebeverlust schwierig. Computeralgorithmen können diese Unterschiede jedoch relativ leicht aufgreifen. Da für die Krankheitsdiagnostik insbesondere die Interpretation der Bildeigenschaften wichtig ist und Convolutional Neural Networks üblicherweise als „Black-Box“-Modelle bezeichnet werden, vergleichen wir hier unterschiedliche state-of-the-art Visualisierungsmethoden, wie z.B. die layer-wise relevance propagation. Diese Methode erlaubt die Generierung von Heatmaps, die für jeden einzelnen Patienten die Relevanz bestimmter Regionen bezüglich einer bestimmten diagnostischen Entscheidung im MRT-Bild angibt. Diese Analysen führen wir hauptsächlich auf T1-gewichteten MRT-Bildern der öffentlichen Datenbank ADNI durch.
Gefördert durch die DFG und die Ursula und Manfred Müller-Stiftung.
Maschinelles Lernen bei psychischen Erkrankungen
Im Rahmen dieses Projekts beschäftigen wir uns mit der Frage, inwieweit maschinelle Lernverfahren geeignet sind auch subtile Unterschiede in der Neurobildgebung von psychisch Erkrankten aufzudecken. Hier haben wir beispielsweise an der PAC Depressions-Challenge 2018 teilgenommen, bei der strukturelle MRT-Daten von Menschen mit und ohne Depression in eine der beiden Kategorien klassifiziert werden sollten (in Zusammenarbeit mit Prof. Dr. Dr. Henrik Walter und Prof. Dr. Sebastian Stober). Gemeinsam mit Prof. Dr. Norbert Kathmann analysieren wir Daten von PatientInnen mit Zwangsstörungen. Bei Interesse an Zusammenarbeit gerne bei uns melden.
Deep Learning und Mentale Gesundheit
In diesem Projekt untersuchen wir unterschiedliche Aspekte von mentaler Gesundheit, wie z.B. Neurotizismus oder Wohlbefinden/Glück, auf Basis von Neurobildgebungsdaten der UK Biobank. Das Ziel hierbei ist eine Charakterisierung von mentaler Gesundheit unabhängig von Krankheitskategorien wie Depression oder Schizophrenie, sondern im Sinne der sog. Research Domain Criteria. Methoden des Deep Learning werden mit üblichen Verfahren des maschinellen Lernens verglichen, die z.B. auf funktionaler Konnektivität oder kortikaler Dicke aufbauen. In diesem Projekt kooperieren wir eng mit Prof. Dr. Dr. Henrik Walter und dem Forschungsbereich Mind and Brain, Prof. Dr. Andre Marquand und Prof. Dr. John-Dylan Haynes.
Gefördert durch NARSAD Young Investigator Grant (Brain & Behavior Research Foundation).
Autoencoders, Transfer Learning und normative Modellierung
Im Rahmen dieses Projekts setzen wir Autoencoder ein, um allgemeine Repräsentationen von Neurobildgebungsdaten zu lernen, die dann genutzt werden können, um Abweichungen in bestimmten Populationen (wie z.B. alt/jung, krank/gesund) durch normative Modellierung zu bestimmen. Für diese Analysen verwenden wir beispielsweise Daten der UK Biobank und des Human Connectome Projects. Methodisch kooperieren wir hier mit Prof. Dr. André Marquand und Prof. Dr. Sebastian Stober.
Leitung/Kontakt

Mitarbeiterinnen und Mitarbeiter




