Forschungsschwerpunkt Maschinelles Lernen

»Data Analytics« und »Deep Learning« Verfahren für Gesundheit, Arbeit und Industrie 4.0

»Data Analytics« und »Deep Learning« Verfahren für Gesundheit, Arbeit und Industrie 4.0
© stock.adobe.com/chombosan

»Data Analytics« und »Deep Learning« Verfahren für Gesundheit, Arbeit und Industrie 4.0

Das digitale Datenvolumen wächst ungebremst. Bis zum Jahr 2020 wird sich die weltweit verfügbare Datenmenge verzehnfachen. Die günstige Rechenleistung heutiger Computer und Smartphones, effiziente Algorithmen und riesige Datenmengen (»Big Data«) haben den Methoden des »Deep Learning« zur praktischen Umsetzung und damit der Künstlichen Intelligenz zum Durchbruch verholfen: Was vor einigen Jahren noch als unrealistisch galt, ist bereits heute Realität und erzielt weitaus genauere Ergebnisse als klassische Methoden.
Dies stellt Forscher und Entwickler gleichermaßen vor große Herausforderungen. »Wie« und »Warum« neuronale Netze (sog. »Deep Neural Networks«, DNNs) bestimmte Schlüsse ziehen und »Woraus« sie ihr Wissen generieren, ist von außen schwer nachvollziehbar. Und doch bildet genau dieses Wissen die Grundlage für wichtige strategische Entscheidungen in Unternehmensprozessen, in der medizinischen Diagnostik und Therapie (bspw. im Bereich der Schmerzerkennung), aber auch für die Akzeptanz solcher maschineller Lernverfahren im Alltag (intelligente Arbeitsmittel).
 

 

 

Ihre Vorteile – Alles aus einer Hand

High Performance Deep Learning 34 Node Cluster, 72x NVidia P100 GPU, 16x NVidia P40 GPU, 2.8 TB RAM
© Fraunhofer IIS/Thomas Hauenstein

High Performance Deep Learning 34 Node Cluster, 72x NVidia P100 GPU, 16x NVidia P40 GPU, 2.8 TB RAM

Erweiterbares Kino-Labor, derzeit ausgestattet mit 70 Sitzplätzen und Infrarot-Kamerasystemen am Fraunhofer IIS
© Fraunhofer IIS/Bianca Möller

Erweiterbares Kino-Labor, derzeit ausgestattet mit 70 Sitzplätzen und Infrarot-Kamerasystemen am Fraunhofer IIS

Bündelung von Kernkompetenzen aus den Bereichen Medizintechnik, Bild- und Biosignalanalyse, Maschinellem Lernen, Soft- und Hardware-Implementierung

Langjährige Erfahrung im Aufbau und Kuratierung standardisierter, strukturierter und annotierter Bild- und Signaldatenbanken für das Training und die Evaluierung von lernenden Verfahren (z.B. Mimik- und Gesichtsanalyse, Biosignale, Endoskopie, Hämatologie, Pathologie, Mammographie)

Langjährige interdisziplinäre Vernetzung mit Unternehmen, Kliniken und Hochschulen

Sensor(-systeme) unterschiedlicher physikalischer und technischer Messgrößen

Modularer Softwarebaukasten für die schnelle Realisierung einer kundenspezifischen Datenverarbeitungskette von der Erfassung über die Analyse bis hin zur Visualisierung der Ergebnisse 

Vorhandene Infrastruktur

High Performance Deep Learning 34 Node Cluster, 72x NVidia P100 GPU, 16x NVidia P40 GPU, 2.8 TB RAM

Erweiterbares Kino-Labor, derzeit ausgestattet mit 70 Sitzplätzen und Infrarot-Kamerasystemen

Labor für Mikroskopie und digitale Pathologie (z.B. Zeiss Axio Imager, Zeiss Axio Scan.Z1, Precipoint M8, Immersionsmikroskopie)

Endoskopie-Studio mit unterschiedlichen starren und flexiblen Endoskop-Systemen (Wolf, Storz, Schölly, Olympus), Lichtquellen, Robotern und Phantomen

Labor für Multispektral- und Polarisationsbildgebung

Elektroniklabor und umfangreiches Testequipment 

Zentrale Forschungsthemen

Ganzheitliche Erfassung und Analyse von Biosignalen mittels Machine Learning

Durch die kontinuierliche Erfassung wichtiger Biosignale im Alltag (bspw. mittels Wearables) und intelligenter integrierter Sensorik entstehen große medizinische Datenmengen von hoher diagnostischer und therapeutischer Relevanz. Der richtige Einsatz von »Deep Learning« Verfahren hilft dabei, Gesetzmäßigkeiten in den Biosignalen zu finden und erlaubt, die richtigen Schlüsse zu deren Unterscheidung in verschiedene klinische Klassen (gutartig /bösartig etc.) zu ziehen. Das daraus gewonnene Fachwissen zu den gegenseitigen Wechselwirkungen der Biosignale untereinander, bildet die Grundlage für wichtige medizinische Entscheidungen und Vorsorge von Krankheitsbildern.

 

Machine Learning und Deep Learning für menschenzentrierte Mensch-Maschine-Interaktion

Ein weiteres zentrales Thema ist die Erforschung und Entwicklung von Methoden und Systemen zum »Maschinellen Lernen«. Unser Fokus liegt auf (Echtzeit-) Computer-Vision Anwendungen (u. a. Gesichtsanalyse), die eine hohe Leistungsfähigkeit und Erkennungsrate auch in nicht-kontrollierten Umgebungen zeigen. Ein weiteres Ziel ist es, unsere Technik auf den unterschiedlichsten Plattformen und im embedded-Bereich zur Verfügung zu stellen, was eine effiziente Implementierung und intelligentes Algorithmusdesign vorraussetzt. Unsere Themenbereiche umfassen state-of-the-art Techniken, wie z.B. aus dem »Deep Learning« Umfeld, aber auch Ansätze, die auf klassischem »Maschinellen Lernen« basieren. Verschiedene Anwendungsfälle finden sich beispielsweise in den Bereichen Marktforschung, Robotik, Stresserkennung und Automotive.

 

Diagnostische Endoskopie

Endoskope finden seit über 100 Jahren Anwendung in der Diagnose und Therapie von Krankheiten und Verletzungen im Körperinneren. Die endoskopische Untersuchung ist dabei immer noch ein rein visueller Prozess, der für die Diagnosestellung häufig Biopsien erfordert.
Die Interpretation der entsprechenden Bildbefunde basiert hierbei weitgehend auf Erfahrungswerten der Ärzte und ist somit sehr subjektiv. Für Anwendungen in der diagnostischen Endoskopie entwickelt und erforscht das Fraunhofer IIS Verfahren zur Charakterisierung und Klassifikation von Geweben sowie der Detektion von suspekten Läsionen, wie z.B. Darmpolypen auf der Basis des »Maschinellen Lernens«, u.a. unter Nutzung von speziellen Farb- und Texturmerkmalen.


Digitale Pathologie und computergestützte Mikroskopie

Der Trend zur Präzisionsmedizin erfordert eine immer differenziertere Diagnostik, die eine Vielzahl von Biomarkern auf Basis histologischer Präparate und eine wachsende Anzahl prognostischer Faktoren miteinbezieht. Durch die Digitalisierung in der Pathologie können Verfahren des »Maschinellen Lernens« einen wesentlichen Beitrag leisten, diese Herausforderungen effizient zu meistern. In der Routinediagnostik wird der Pathologe entlastet, indem relevante Zellen und Gewebebereiche automatisch detektiert, analysiert und übersichtlich dargestellt werden. In der Forschung unterstützt »Deep Learning« bei der Suche und Validierung neuer prognostischer Marker und Therapeutika.
Unsere Forscher beherrschen sowohl klassische Methoden des »Maschinellen Lernens«  und der Bildanalyse als auch die heute oft überlegenen Methoden des »Deep Learnings« und haben langjährige Erfahrung in der Entwicklung von Anwendungen zur computer-assistierten Diagnoseunterstützung. Dies umfasst die Steuerung von Mikroskopen und Scannern, die automatische Analyse bis hin zur nachvollziehbaren und verständlichen Visualisierung für den Benutzer.
 

 

Affective Sensing

Erfahren Sie mehr über unsere Lösungen in diesem Themenfeld.  

 

Campus der Sinne

Im Campus der Sinne Erlangen sollen die menschlichen Sinne wie Sehen und Hören, Riechen und Schmecken, digital erfasst werden.

 

ADA Center

Analytics, Daten und Anwendungen – Pläne zu einer einmaligen Forschungsinfrastruktur zur Unterstützung der bayerischen Wirtschaft

 

Machine Learning Forum

Biosignalverarbeitung & Maschinelles Lernen

Wir entwickeln und implementieren u.a. standardisierte, medizinische Kommunikationsprotokolle und Algorithmen zur Biosignalverarbeitung und Bewegungsanalyse.

Bildanalyse und Mustererkennung

Wir erarbeiten Lösungen zur echtzeitfähigen Gesichts- und Mimikanalyse für verschiedenste Anwendungsfelder. Dabei werden alle erhobenen Daten rein anonymisiert ausgegeben.

Medizinische Bildanalyse und Maschinelles Lernen

Wir bieten Lösungen in den Bereichen medizinische Bildverarbeitung, computerassistierte Diagnosunterstützung, computergestützte Mikroskopie und digitale Pathologie.

Integrierte Sensorsysteme

Wir entwickeln komplette Lösungen im Bereich intelligenter integrierter Sensorsysteme, wie z.B. 3D-Magnetfeldsensorik für robuste Anwendungen, Bild- und Farbsensorik.

Das könnte Sie auch interessieren:

Fraunhofer IIS Magazin

»Wir haben die Verantwortung, die Digitalisierung positiv zu gestalten«