Prof. Dr. Klaus Maier-Hein | |
Leiter der Abteilung für Medizinische Bildverarbeitung | |
Deutsches Krebsforschungszentrum (DKFZ) | |
Beruflicher Werdegang
Klaus Maier-Hein leitet die Abteilung Medizinische Bildverarbeitung am Deutschen Krebsforschungszentrum (DKFZ). Er ist darüber hinaus Leiter der Sektion für automatisierte Bildanalyse am Universitätsklinikum Heidelberg und Sprecher der Helmholtz Information & Data Science School for Health (HIDSS4Health) des Karlsruher Instituts für Technologie, des Deutsches Krebsforschungszentrums und der Universität Heidelberg
Ehrungen/Auszeichnungen:
- Winner of Brain Tumor Segmentation (BraTS) Challenge (last author, MICCAI 2020)
- Winner of Kidney Tumor Segmentation Challenge (last author, kits19.grand-challenge.org)
- Winner of Liver Tumor Segmentation Challenge (last author, www.lits-challenge.com)
- Winner of Medical Segmentation Decathlon (last author, MICCAI 2018, Granada, Spain)
- Winner of Automated Cardiac Diagnosis Challenge (last author, MICCAI 2017, Canada)
Mitgliedschaften:
Seit 2019 Koordinator der Helmholtz-Imaging-Plattform
Seit 2019 Sprecher der Helmholtz Information & Data Science School for Health
2019 Programmkomitee Visual Computing für Biologie und Medizin 2019, Brünn
Seit 2018 Lenkungsausschuss Medizinische Datenspender e.V.
Die Abteilung „Medizinische Bildverarbeitung“ steht für wegweisende Entwicklungen auf dem Gebiet des maschinellen Lernens und der automatisierten Informationsverarbeitung. Im Rahmen der „Nationalen Dekade gegen Krebs“ ist das Ziel unserer Arbeit eine optimierte, systematische Datenanalyse in der bildgebenden Onkologie.
Lungenkrebs, COPD, COVID-19
- Isensee, F. et al. (2024). nnU-Net Revisited: A Call for Rigorous Validation in 3D Medical Image Segmentation. In: Linguraru, M.G., et al. Medical Image Computing and Computer Assisted Intervention – MICCAI 2024. MICCAI 2024. Lecture Notes in Computer Science, vol 15009. Springer, Cham. https://doi.org/10.1007/978-3-031-72114-4_47
- Neher, P., Hirjak, D. & Maier-Hein, K. Radiomic tractometry reveals tract-specific imaging biomarkers in white matter. Nat Commun 15, 303 (2024). https://doi.org/10.1038/s41467-023-44591-3
- Brugnara, G., Baumgartner, M., Scholze, E.D. et al. Deep-learning based detection of vessel occlusions on CT-angiography in patients with suspected acute ischemic stroke. Nat Commun 14, 4938 (2023). https://doi.org/10.1038/s41467-023-40564-8
- Bohn, J.R. et al. (2023). RPTK: The Role of Feature Computation on Prediction Performance. In: Woo, J., et al. Medical Image Computing and Computer Assisted Intervention – MICCAI 2023 Workshops. MICCAI 2023. Lecture Notes in Computer Science, vol 14394. Springer, Cham. https://doi.org/10.1007/978-3-031-47425-5_11
- Almeida, S.D., Norajitra, T., Lüth, C.T. et al. Prediction of disease severity in COPD: a deep learning approach for anomaly-based quantitative assessment of chest CT. Eur Radiol 34, 4379–4392 (2024). https://doi.org/10.1007/s00330-023-10540-3
Silvia Dias Almeida | Doktorantin | ||
Jonas Bohn | Doktorant | ||
Tobias Norajitra | Postdoc, Gruppe Leitung |
Lungenforschung - Projekte
1. Charakterisierung und Vorhersage von COPD als Komorbidität aus CT-Bildgebung
Bei COPD werden verschiedene Schadensmuster ("Phänotypen") der Lungen beobachtet, die unterschiedliche Auswirkungen auf die individuelle Therapie haben, z.B. Zerstörung der Alveolen oder Verdickung und Obstruktion der Bronchialwände. Medizinische Lungenfunktionsuntersuchungen sind nicht geeignet, subtile Veränderungen innerhalb der Lungen oder der Unterregionen der Lunge zu erkennen. Über die visuelle Untersuchung von CT-Bildern hinaus wird in diesem Projekt auf eine weitergehende Analyse der CT-Bilddaten abgezielt, um mittels fortschrittlicher Deep-Learning-basierter Mustererkennung eine akuratere Klassifikation und Quantifizierung von COPD zu ermöglichen.
2. Radiomics-basierte Vorhersage des Therapieerfolgs bei Lungenkrebspatienten aus CT-Scans
Etwa 50% der Patienten mit fortgeschrittenem Lungenkrebs, die eine Immuntherapie erhalten, reagieren nicht auf diese Therapie und erleiden ein Fortschreiten der Erkrankung. Ziel dieses Projekts ist es, mittels Radiomics und Deep Learning eine genauere Vorhersage des möglichen Therapieerfolgs von Lungenkrebspatienten in einem frühen Therapiestadium zu erreichen. Hierbei wird auf eine robustere Klassifikation von Patienten hinsichtlich des Therapieansprechens abgezielt, um so frühzeitig andere Therapien mit besserer Prognose für den einzelnen Patienten vorzuschlagen, welche geeignet sind die Überlebenschancen für einzelne Patienten zu erhöhen.
