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
- S. Almeida, T. Norajitra, C. Lueth, T. Wald, T. Kopytova, M. Nolden, P. F. Jaeger, …, K. Maier-Hein. Probabilistic modeling of COPD imaging characteristics for disease severity prediction. European Respiratory Journal, 2022.
- J. Bohn, J. Kroschke, M. Nolden, S. Dias Almeida, P. Christopoulos, S. Rheinheimer, A. Peters, T. Muley, O. von Stackelberg, H. U. Kauczor, K. Maier-Hein, C. P. Heußel*, T. Norajitra*. Comparing radiomics-based immunotherapy prediction models in advanced stage lung cancer patients. 10th International Workshop on Pulmonary Functional Imaging (IWPFI), 2022.
- M. Baumgartner, P. F. Jäger, F. Isensee, K. Maier-Hein. nnDetection: A Selfconfiguring Method for Medical Object Detection. Medical Image Computing and Computer Assisted Interventions, 2021.
- F. Isensee, P.F. Jaeger, S.A. Kohl, J. Petersen, K. Maier-Hein. nnU-Net: a selfconfiguring method for deep learning-based biomedical image segmentation. Nature methods, 2021.
- P. Kickingereder, F. Isensee, F, Tursunova I, Petersen J, …, Maier-Hein KH. Automated quantitative tumour response assessment of MRI in neuro-oncology with artificial neural networks: a multicentre, retrospective study. Lancet Oncology, 2019.
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.
