Universit?t Bamberg
Suche ?ffnen
Sie befinden sich hier:

Fakult?t Wirtschaftsinformatik und Angewandte Informatik

Lehrstuhl für Erkl?rbares Maschinelles Lernen

  1.  Otto-Friedrich-Universit?t Bamberg
  2. Fakult?ten
  3. Wirtschaftsinformatik und Angewandte Informatik
  4. Professuren und Lehrstühle
  5. Angewandte Informatik
  6. Lehrstuhl für Erkl?rbares Maschinelles Lernen
  7. News
  8. Fortschritte in der Parkinson-Forschung: Masterarbeit in der führenden Zeitschrift für nuklearmedizinische Bildgebung EJNMMI ver?ffentlicht
xAILab Bamberg

Fortschritte in der Parkinson-Forschung: Masterarbeit in der führenden Zeitschrift für nuklearmedizinische Bildgebung EJNMMI ver?ffentlicht

Die von Aleksej Kucerenko im Rahmen seiner Masterarbeit an unserem Lehrstuhl durchgeführte Forschungsarbeit wurden in der renommierten Fachzeitschrift "European Journal of Nuclear Medicine and Molecular Imaging (EJNMMI)" im Open Access ver?ffentlicht. Diese Arbeit, die in Zusammenarbeit mit dem Universit?tsklinikum Hamburg-Eppendorf (UKE) entstand, bietet wertvolle Einblicke in das Gebiet der nuklearmedizinischen Bildgebung und der Parkinson-Forschung. Insbesondere wird er?rtert, wie wir Unsicherheiten bei der Markierung einbeziehen und nutzen k?nnen, um CNN-gemessene Verminderungen von DAT-SPECT-Bildgebungssignalen, wie sie im Zusammenhang mit der Parkinson-Krankheit typisch sind, besser zu bewerten (und zu kommunizieren).

 

Umgang mit Unsicherheiten bei der DAT-SPECT-Bildgebung

Die Diagnose der Parkinson-Krankheit stützt sich h?ufig auf die Dopamin-Transporter-SPECT-Bildgebung (DAT-SPECT), doch die unterschiedliche Interpretation durch die verschiedenen Untersucher kann zu Problemen führen. Aleksejs Studie untersucht Methoden, um diese Unsicherheiten zu beseitigen und die Zuverl?ssigkeit von Faltungsneuronalen Netzen (CNNs) zur Identifizierung von Parkinson-bedingten Abschw?chungen in bildgebenden Signalen zu verbessern.

Zu den bemerkenswerten Ergebnissen geh?ren:

  • Einbeziehung von Leserdiskrepanzen in das Training: Wenn CNNs w?hrend des Trainings auf Diskrepanzen zwischen den Lesern aufmerksam gemacht werden, kann dies dazu beitragen, bestimmte F?lle von nicht eindeutigen F?llen zu unterscheiden.
  • Verbesserte diagnostische Sicherheit: Die Methode reduzierte den Anteil der nicht eindeutigen Testf?lle. So sank der Anteil der nicht eindeutigen F?lle von 2,8 % auf 1,2 % bei einer ausgewogenen Genauigkeit von 98 %.
  • Robuste Validierung: Die Ergebnisse wurden an zwei unabh?ngigen Datens?tzen (n=640 und 645) validiert, um die Zuverl?ssigkeit zu gew?hrleisten.

Offener Zugang und Offene Wissenschaft

Die Forschung f?rdert die Transparenz durch eine Open-Access-Publikation und eine ?ffentlich zug?ngliche Codebasis und spiegelt damit perfekt das Engagement unseres Labors wider, die Forschung voranzutreiben und die Zusammenarbeit durch offene Wissenschaft zu f?rdern. Für weitere Details k?nnen Sie das Paper hier auf das Paper und den zugeh?rige Quellcode hier abrufen.

Kooperationen St?rken und Zukunftsorientiert Voranschreiten

Rückblickend unterstreicht dieses Projekt den Wert der interdisziplin?ren Zusammenarbeit, die Aleksejs Engagement mit der fachkundigen Co-Betreuung durch Dr. Ralph Buchert vom UKE kombiniert, um Fortschritte in der medizinischen Bildgebung voranzutreiben. Auch wenn noch weitere Arbeit erforderlich sind, liefert dieses Projekt nützliche Erkenntnisse darüber, wie maschinelles Lernen die Diagnoseinstrumente im Gesundheitswesen verbessern kann. Natürlich k?nnen nicht alle Projekte so ablaufen (und müssen es auch nicht), aber dies ist ein hervorragendes Beispiel dafür, dass man mit dem richtigen Talent, Engagement und Umfeld in jeder Phase der Karriere einen bedeutenden wissenschaftlichen Einfluss haben kann. Bitte schlie?en Sie sich uns an, wenn wir Aleksejs Erfolg feiern und Dr. Ralph Buchert und dem UKE-Team unsere Anerkennung für die au?ergew?hnlich produktive Zusammenarbeit und Betreuung aussprechen.

xAILab Bamberg