Ziel des Projektes ist es, AI Modelle und Forschungsansätze aus der klassischen Computer Vision und der Sprachverarbeitung weiterzuentwickeln und nutzbar zu machen für maschinelle Lernverfahren in der radiologischen Bildverarbeitung, indem vorhandene Bilddaten effektiver genutzt werden. Dies wird im Einzelnen wie folgt erreicht:1. Simulation tomographischer medizinischer Bilddaten durch erzeugende gegnerische Netzwerke (GANs) zur Generierung zusätzlicher Trainings-Daten für neuronale Netzte. Untersuchung der Frage, viele originale Daten für ein stabiles Training des GANs benötigt werden und in welchem Maß die synthetischen Daten zur Verbesserung eines Klassifikators beitragen.2. Entwicklung von Modellen für induktives Transfer-Lernen, so dass trainierte Algorithmen aus verwandten Fragestellungen genutzt und somit für das Training deutlich weniger Daten verwendet werden können. Es werden die Randbedingungen untersucht, unter denen Transfer-Lernen bessere Ergebnisse zeigt als ein komplett neues Training.3. Erweiterung von Ansätzen des selbstüberwachten Lernens im Bereich der Sprachverarbeitung für medizinische Bilddaten durch die Entwicklung problemspezifischer Pretext-Tasks und Loss-Funktionen. Dadurch werden Bilddaten effizienter nutzbar als mit bisherigen Ansätzen des überwachten Lernens.4. Entwicklung probabilistischer Segmentierungsalgorithmen, welche die mögliche Verteilung manueller Tumor-Segmentierungen in 3D modellieren. Durch bessere probabilistische Segmentierungsverfahren ist der Grundstein gelegt für viele darauf aufbauende Anwendungen, wie beispielsweise Radiomics-Analysen.
