Ziel der Arbeit ist es, pathologische Schnitte von Glioblastomen – den häufigsten bösartigen
Gehirntumoren – mit mittel Machine-Learning zu untersuchen und so Neuropathologen zu
entlasten.
Die Therapieresistenz des Gliobloastoms ist nach momentanen Kentniss der Forschung maßgeblich von der starken Heterogenität abhängig. Eine Bestimmung der Heterogenität ist jedoch ein langwieriger Prozess der nicht Teil der Standarddiagnostik ist. Um diesen Schritt in die Standarddiagnostik zu übernehmen werden in der Arbeit Machine Leanring Modelle trainiert, die Hematoxylin and Eosin (HE) eingefärbe Gewebeschnitte automatisch analysieren. Diese HESlides werden in der Tumor-Diagnostik standardmäßig erstellt, wodurch keine Zusatzbelastung für das klinische Personal entsteht.
Daniel Hieber
Neural Network Assisted Pathology for Glioblastoma
MITGLIED IM KOLLEG
seit
Betreuer Hochschule für angewandte Wissenschaften Neu-Ulm:
Prof. Dr. Johannes Schobel
Forschungsschwerpunkte:
- mHealth Anwendungen
- mobile Datenerfassung in medizinischen & psychologischen Szenarien
- Entwicklung von digitalen Healthcare Services
- Gamification in mHealth und eHealth
- Sensorik in mHealth Anwendungen
Betreute Projekte:
Betreuer Julius-Maximilians-Universität Würzburg:
Prof. Dr. Rüdiger Pryss
Forschungsschwerpunkte:
- Digital Health
- Mobile Computing
- Data Engineering
Betreute Projekte:
