Dr. Urs Eisenmann | |
Gruppenleitung Bildbasierte Entscheidungsunterstützung in Diagnose und Therapie | |
Institut für Medizinische Informatik, Universitätsklinikum Heidelberg | |
Beruflicher Werdegang
Urs Eisenmann leitet die Arbeitsgruppe bildbasierte Diagnose- und Therapieunterstützung im Institut für Medizinische Informatik des Universitätsklinikums Heidelberg. Er ist außerdem Qualitätsmanagementbeauftragter des Instituts für die Entwicklung von Software als Medizinprodukt. .
Nach Abschluss seines Studiums der Medizinischen Informatik an der Universität Heidelberg und Hochschule Heilbronn promovierte er im Bereich der computer-assistierten Neurochirurgie an der Universität Heidelberg und war als wissenschaftlicher Mitarbeiter in zahlreichen Forschungsprojekten tätig.
Expertise
Die Arbeitsgruppe beschäftigt sich derzeit mit zwei Themenfeldern. Es werden prototypische Werkzeuge für die computerassistierte Chirurgie in Kooperation mit Kliniken des UKHD entwickelt. Im Umfeld des DZL werden bildbasierte Analysemethoden für die Lungenbildgebung (derzeit überwiegend MRT) erforscht. Hierbei werden zum einen Segmentierungsmethoden bspw. für die Lungenlappen entwickelt. Außerdem werden Automatisierungsmethoden für etablierte radiologische Scoringverfahren für verschiedene Lungenerkrankungen (CF, COPD, PCD, CTEPH) erforscht. Die Arbeitsgruppe setzt dabei Verfahren der Bildverarbeitung sowie verschiedene überwachte und nicht überwachte KI-Methoden ein.
- Data Science und computer-assistierte Chirurgie
- Anwendung von Bildverarbeitungs- und KI-Methodik
- Segmentierung + Klassifikation von Lungen-MRTs
- Cystic Fibrosis
- Platform Imaging
- DSWG Artificial Intelligence and Digital Tools
- Hagen N, Freudlsperger C, Kühle RP, Bouffleur F, Knaup P, Hoffmann J, Eisenmann U. A User-Friendly Software for Automated Knowledge-Based Virtual Surgical Planning in Mandibular Reconstruction. J Clin Med. 2025 Jun 25;14(13):4508. doi: 10.3390/jcm14134508.
- Ringwald FG, Wucherpfennig L, Hagen N, Mücke J, Kaletta S, Eichinger M, Stahl M, Triphan SMF, Leutz-Schmidt P, Gestewitz S, Graeber SY, Kauczor HU, Alrajab A, Schenk JP, Sommerburg O, Mall MA, Knaup P, Wielpütz MO, Eisenmann U. Automated lung segmentation on chest MRI in children with cystic fibrosis. Front Med (Lausanne). 2024 Nov 12;11:1401473. doi: 10.3389/fmed.2024.1401473.
- Ringwald FG, Martynova A, Mierisch J, Wielpütz M, Eisenmann U. Explainable Artificial Intelligence for Deep-Learning Based Classification of Cystic Fibrosis Lung Changes in MRI. Stud Health Technol Inform. 2024 Jan 25;310:921-925. doi: 10.3233/SHTI231099.
- Kuehle R, Ringwald F, Bouffleur F, Hagen N, Schaufelberger M, Nahm W, Hoffmann J, Freudlsperger C, Engel M, Eisenmann U. The Use of Artificial Intelligence for the Classification of Craniofacial Deformities. J Clin Med. 2023 Nov 14;12(22):7082. doi: 10.3390/jcm12227082.
- Hagen N, Weichel F, Kühle R, Knaup P, Freudlsperger C, Eisenmann U. Automated calculation of ontology-based planning proposals: An application in reconstructive oral and maxillofacial surgery. Int J Med Robot. 2023 Dec;19(6):e2545. doi: 10.1002/rcs.2545.
Prof. Petra Knaup | PI | Petra.Knaup@med.uni-heidelberg.de |
Urs Eisenmann | Group Leader | Urs.Eisenmann@med.uni-heidelberg.de |
Anna Martynova | PhD Student | Anna.Martynova@med.uni-heidelberg.de |
Friedemann Ringwald | PhD Student | Friedemann.Ringwald@med.uni-heidelberg.de |
Niclas Hagen | Postdoc | Niclas.Hagen@med.uni-heidelberg.de |
Lungenforschung - Projekte
1. Deep Learning basierte Klassifikation von Lungenperfusionsdefekten bei Mukoviszidose(CF), Chronisch thromboembolische pulmonale Hypertonie(CTEPH) und Chronisch obstruktive Lungenerkrankung(COPD) mittels Thorax-Magnetresonanztomographie (DeePerfusionMRI)
Zur Unterstützung der radiologischen Beurteilung von Lungenperfusionsstörungen wird ein KI-basierter Ansatz zur automatisierten Klassifikation eines etablierten Scoringsystems entwickelt. Aufgrund der lappenbasierten Methodik erfordert das Preprocessing eine präzise Lungenlappendefinition, die bei MRT-Daten eine besondere Herausforderung darstellt. Mittels Bildverarbeitung und neuronaler Netze soll hierfür ein automatisierter Algorithmus erstellt werden. Neben MRT-Bildern werden klinische Daten integriert, um Robustheit und Genauigkeit der Vorhersagen zu erhöhen. Der Fokus liegt auf den Krankheitsbildern CF, CTEPH, COPD und PCD. Patientendaten werden retrospektiv an drei Universitätskliniken gesammelt. Zur Transparenz werden Methoden der Explainable AI eingesetzt, die Evaluation erfolgt durch Radiolog*innen.
2. Deep-learning basierte Klassifikation von strukturellen und funktionellen Lungen-Abnormalitäten bei Mukoviszidose auf Magnetresonanztomographien (CF-MRI)
Zur systematischen Erfassung krankheitsrelevanter MRT-Befunde bei zystischer Fibrose wurde 2012 am TLRC ein lappenbasiertes Scoringsystem entwickelt, das strukturelle und funktionelle Veränderungen der Lunge quantifiziert. Zur Unterstützung der Befundung wird ein KI-basierter Ansatz entwickelt, der eine automatisierte Klassifikation der Scores ermöglichen soll. Grundlage bilden rund 850 standardisierte MRT-Untersuchungen von etwa 200 Patient*innen, die zuvor mit dem visuellen CF-MRT-Score bewertet wurden. Convolutional Neural Networks werden für Training, Validierung und Test eingesetzt. Ziel ist die Entwicklung eines objektiven, quantitativen Maßes für morpho-funktionelle Veränderungen sowie einer nutzerfreundlichen Entscheidungshilfe für Radiolog*innen.
3. Deep Learning-basierte Visualisierung von Perfusionsdefekten zur Unterstützung des MRT-basierten Perfusionsscoring der Lunge bei Mukoviszidose (CF-MRXAI)
Zur systematischen Erfassung krankheitsrelevanter MRT-Befunde bei zystischer Fibrose wurde 2012 am TLRC ein Scoringsystem entwickelt, das strukturelle und funktionelle Veränderungen semi-quantitativ erfasst. Insbesondere die 4D-Perfusionssequenz mit Kontrastmittel liefert wichtige Informationen zur Lungenperfusion, ist jedoch mit hoher Intra- und Inter-Reader-Variabilität verbunden. Bisher existieren keine zufriedenstellenden computergestützten Lösungen zur quantitativen Analyse. Im Projekt CF-MRXAI soll ein Deep-Learning-gestütztes Softwarewerkzeug entwickelt werden, das Radiolog*innen durch Explainable AI-Methoden unterstützt und objektivere Bewertungen ermöglicht. Neben der aktuellen Sequenz werden vergleichbare Referenzfälle visualisiert. Die Evaluation erfolgt durch radiologisches Fachpersonal, mit perspektivischer Erweiterung auf weitere relevante Teilscores.
This work presents a deep learning pipeline for automated classification of bronchiectasis/wall thickening and mucus plugging on lung lobes in BLADE MRI data. The approach leverages both axial and coronal image streams, which undergo preprocessing and segmentation to isolate lung halves and lobes. The segmented volumes combined with lobe scores are fed into a dual-stream convolutional neural network with a VGG16 backbone, where features are combined using a late fusion strategy to improve classification performance.