Forschungsgruppe für KI-basierte Bildanalyse der Netzhaut
AI-Based Retinal Image Analysis Research Group
Wissenschaftsdisziplinen
Informatik (80%); Klinische Medizin (20%)
Keywords
-
Ophthalmology,
Medical Image Analysis,
Machine Learning,
Deep Learning,
Retina,
Optical coherence tomography
Personalisierte Medizin ist ein Ansatz, bei dem basierend auf einer Vielzahl von Informationen und Auswertungen des Gesundheitszustandes einer Person medizinische Entscheidungen und Therapien auf den einzelnen Patienten zugeschnitten werden. In der Augenheilkunde wirkt sich jede Erkrankung der Netzhaut im hinteren Teil des Auges direkt auf die Sehleistung aus und gefährdet das Sehvermögen, was oft zu einer praktischen Erblindung führt. Aus diesem Grund brauchen wir ein besseres Verständnis von Netzhauterkrankungen und ihren Verlaufsmustern, um guteLösungenfür die Netzhautbehandlung zu finden. Heute ermöglichen Innovationen in der medizinischen Bildgebung einen außerordentlich detaillierten Blick auf den Gesundheitszustand eines Menschen. Die Einführung der optischen Kohärenztomographie (OCT) ermöglicht eine dreidimensionale und sehr detaillierte Sicht auf die Netzhaut. Tatsächlich übersteigt der Grad der Details der Kohärenztomographie und die Fülle der verfügbaren Informationen über Augenpatienten und ihren Krankheitsverlauf die menschlichen Fähigkeiten zur manuellen Analyse und Interpretation. In den letzten zehn Jahren hat künstliche Intelligenz (KI) viele verschiede Wissenschaftsbereiche in einer beispiellosen Weise revolutioniert. Es wird erwartet, dass der Einsatz von KI in der Medizin, insbesondere in den bildintensiven Bereichen wie der Augenheilkunde, wo sie bereits übermenschliche Leistungen in der Bilddiagn ostik erbracht hat, ein großes Potenzial hebt. Trotz erster Erfolge ist dieses PotenziaI noch nicht ausgeschöpft, und die Ophthalmologie wird immens davon profitieren können. Diese Forschungsgruppe hat das übergeordnete Ziel, in der Ophthalmologie Populationen ähnlicher Patienten zu identifizieren um das Wissen über Augenkrankheiten und Behandlungsergebnisse zu verbessern. Der Schwerpunkt liegt auf der Entwicklung, Verbesserung und Anwendung von KI-Methoden zur Analyse von OCT-Bildern der Netzhaut und zur Entwicklung von Machine Learning Methoden, die neue OCT-Bildmuster identifizieren können und eine individuelle Prognose des Krankheitsfortschritts ermöglichen. Die Gruppe besteht aus vier Weltklasse- und Pionierforschern der Medizinischen Universität Wien (Ursula Schmidt-Erfurth und Hrvoje Bogunovic) mit Expertise in Ophthalmologie und medizinischer Bildgebung, sowie der Johannes Kepler Universität (Sepp Hochreiter und Günter Klambauer) mit Expertise in KI. Sie verbinden ihre Expertisen mit dem gemeinsamen Ziel, KI-basierte personalisierte Medizin in die Behandlung der häufigsten Augenkrankheiten einzuführen.
-
Konsortiumsmitglied (01.06.2021 -)
-
Konsortiumsmitglied (01.06.2021 -)
-
Konsortiumsmitglied (01.06.2021 -)
-
Koordinator:in (01.06.2021 -)
- Medizinische Universität Wien
Research Output
- 29 Zitationen
- 6 Publikationen
-
2024
Titel Morph-SSL: Self-Supervision With Longitudinal Morphing for Forecasting AMD Progression From OCT Volumes DOI 10.1109/tmi.2024.3390940 Typ Journal Article Autor Chakravarty A Journal IEEE Transactions on Medical Imaging Seiten 3224-3239 Link Publikation -
2024
Titel 3DTINC: Time-Equivariant Non-Contrastive Learning for Predicting Disease Progression From Longitudinal OCTs DOI 10.1109/tmi.2024.3391215 Typ Journal Article Autor Emre T Journal IEEE Transactions on Medical Imaging Seiten 3200-3210 Link Publikation -
2024
Titel Anomaly guided segmentation: Introducing semantic context for lesion segmentation in retinal OCT using weak context supervision from anomaly detection DOI 10.1016/j.media.2024.103104 Typ Journal Article Autor Seeböck P Journal Medical Image Analysis Seiten 103104 Link Publikation -
2024
Titel Improving Clinical Predictions with Multi-Modal Pre-training in Retinal Imaging DOI 10.1109/isbi56570.2024.10635447 Typ Conference Proceeding Abstract Autor Sükei E Seiten 1-5 -
2024
Titel Anomaly Detection in Optical Coherence Tomography Angiography (OCTA) with a Vector-Quantized Variational Auto-Encoder (VQ-VAE) DOI 10.3390/bioengineering11070682 Typ Journal Article Autor Jebril H Journal Bioengineering Seiten 682 Link Publikation -
2025
Titel Shape Prior for Quality Assessment in OCTA via Denoising Autoencoders at the Segmentation Level DOI 10.1109/access.2025.3625745 Typ Journal Article Autor Jebril H Journal IEEE Access Seiten 187467-187476 Link Publikation