Projektrahmen
DeepAnatomy ist ein Studierendenprojekt, das sich mit Deep Learning in der medizinischen Bildgebung beschäftigt. Es wird seit dem Wintersemester 2019 in Kooperation mit der Universität Bremen und dem Fraunhofer-Institut für Digitale Medizin MEVIS durchgeführt.
Zu Beginn des Projektes erarbeiten sich die Projekt-Teilnehmer:innen generelle und medizinspezifische Deep Learning Methodiken und den Umgang mit den vom Fraunhofer-Institut für Digitale Medizin MEVIS verwendeten Soft- und Hardwareressourcen. Anschließend widmen sich die Projekt-Teilnehmer:innen der Identifizierung und Umsetzung konkreter Teilprojekte und leisten so einen Beitrag zu einem hochaktuellen Forschungsgebiet.
Schwerpunkte 2021/2022
Nachdem sich die Projekt-Teilnehmer:innen die grundsätzlichen - theoretische sowie praktische - Fähigkeiten angeeignet hatten, entschieden sie sich für folgende Teilprojekte:
- Teilnahme an der SARTORIUS - Cell Instance Segmentation Challenge
- Entwicklung des Webinterfaces seedRedLeaf zur Vereinfachung der Nutzung von RedLeaf, dem von Fraunhofer MEVIS entwickelten Deep Learning Framework
- Grundlegende Überarbeitung von Kernmodulen von RedLeaf
Deep Learning in der medizinischen Bildgebung
Die Analyse medizinischer Bilddaten, etwa computertomographischer oder magnetresonanztomographischer Aufnahmen, ist zentraler Bestandteil verschiedener diagnostischer und therapeutischer Verfahren. Beispiele sind die Tumorfrüherkennung, Operationsplanung, minimal-invasive Eingriffe und die Kontrolle von Therapieverläufen. Die Entwicklung von Deep-Learning Algorithmen für spezifische Fragestellungen der medizinischen Bildverarbeitung und geeigneter Software-Anwendungen, vermag es, Ärzt:innen in der Ausschöpfung des vollen Potentials moderner bildgebender Verfahren zu unterstützen und zum Nutzen der Patient:innen einzusetzen. Genau hier setzt DeepAnatomy an.
© Haslob Kruse + Partner
Infrastruktur
Den Projekt-teilnehmer:innen stehen über das Fraunhofer-Institut für Digitale Medizin MEVIS folgende, spezielle Softwareressourcen zur Verfügung:
- MeVisLab - ein Framework für medizinsche Bildverarbeitung und Visualisierung in Forschung und Entwicklung
- RedLeaf - ein von Fraunhofer-Institut für Digitale Medizin MEVIS entwickeltes Deep Learning Framework. RedLeaf baut auf weit verbreiteten Deep Learning Frameworks wie Keras und PyTorch auf. Neben der Integration von MeVisLab, bietet RedLeaf u.a. zahlreiche vordefinierte neuronale Netzwerkarchitekturen und eine Live-Überwachung der Trainingsleistung
- Challengr - ein von Fraunhofer-Institut für Digitale Medizin MEVIS entwickeltes Webinterface zum Vergleich verschiedener neuronaler Netze
Vorkenntnisse und Anforderungen
Erste Kenntnisse in Deep Learning erleichtern den Projekteinstieg, sind aber aufgrund der intensiven theoretischen Einarbeitung nicht zwingend erforderlich. Hilfreich sind zudem Vorkenntnisse in den folgenden Bereichen:
Python
Python ist eine Programmiersprache mit klarer Syntax und einfacher Lesbarkeit, die sich vielseitig einsetzen lässt. Im Projekt werden zudem die Deep Learning Frameworks Tensorflow/Keras und PyTorch sowie das WebFramework Flask verwendet.
Docker
Docker ist eine frei verfügbare Software, mit welcher sich die Bereitstellung von Anwendungen vereinfachen lässt: die Anwendungen werden in Container verpackt, die alle zur Ausführung benötigte Pakete (Bibliotheken, Systemtools, Umgebungsvariablen, usw.) enthalten.
Quasar
Quasar ist ein frei verfügbares, auf Vue.js basierendes Framework zur Frontend-Entwicklung.
Über Uns
Das Bachelor Projekt Team 2021/2022
Adam Cihasev
Christoph Konow
Ewald Bernhardt
Felix Kunert
Dr. Ivo Florin Scheiber
Julian Ahlers
Louis Krüger
Dozenten
Prof. Dr. Horst Hahn
Dr. Hans Meine
