Forschungsprojekte

Forschungsprojekt MEND (01.08.2026 bis 31.07.2029)

Motivation: Endometriose betrifft in Deutschland schätzungsweise mehr als zwei Millionen Frauen. Die Diagnose ist häufig langwierig, während die Ursachen und Mechanismen der Erkrankung bislang nicht vollständig verstanden sind. Insbesondere die mögliche Rolle von Bakterien und Viren bei Entstehung und Verlauf der Erkrankung ist bisher unzureichend erforscht.

Ziele und Vorgehen: Ziel ist die Entwicklung eines innovativen multimodalen photonischen Ansatzes zur Untersuchung der Rolle von Mikroorganismen bei Endometriose. Hierfür werden molekularbiologische, bildgebende und digitale Verfahren wie FISH, NGS und Histologie miteinander kombiniert und die entstehenden Bild- und Analysedaten strukturiert zusammengeführt. Die NEXUS / CHILI GmbH entwickelt hierfür das FISH-Bilddatenmanagement weiter, um die multimodalen Daten für Forschung und zukünftige klinische Anwendungen nutzbar zu machen. Ergänzend werden neuartige PNA-FISH-Sonden und automatisierte Laborprozesse entwickelt sowie die Rolle von Bakterien und Viren anhand klinischer und histologischer Daten untersucht. Langfristig sollen dadurch neue Möglichkeiten für eine präzisere Diagnostik und gezieltere Therapie der Endometriose geschaffen werden.

Projektpartner: NEXUS / CHILI GmbH, MoKi Analytics GmbH, Universität Leipzig, INTAVIS PEPTIDE SERVICE GmbH

SFF Projekt PathoSlideReg (30.06.2025 bis 30.06.2027)

Motivation: Im Bereich der digitalen Bildverarbeitung in der Pathologie existieren derzeit nur Verfahren zur Bildregistrierung, die keine zuverlässige Überlagerung mehrerer Slides mit unterschiedl. Färbungen ermöglichen, insb. nicht bei Artefakten oder variablen Bildinhalten. Es soll eine überlagerungsfähige Transformation ermöglicht werden, die eine synchrone Navigation zw. entsprechenden Geweberegionen über mehrere Färbungen (Ziel: 5 versch.) hinweg erlaubt.

Ziele und Vorgehen: Ziel ist daher die Entw. eines mehrstufigen algorithm. Verfahrens zur vollautomatisierten Registrierung digitalisierter histologischer Gewebeschnitte (digitale Objektträgeraufnahmen/Slides im DICOM; Whole Slide Imaging-Format) mit extrem hoher Auflösung durch Mikroskopie u. unterschiedl. Färbungen. Angestrebter Ansatz besteht in der Kombi. einer mehrskaligen (multiresolutionären) und lokalbereichsbasierten (patch-basierten) Bildregistrierung. Ergänzend soll ein vorgeschalteter Verarbeitungsschritt zur Intensitätsnormalisierung untersucht werden, um bildtechn. bedingte Helligkeitsschwankungen zu reduzieren. Neuartiger Ansatz ist dabei die Kombination einer (ggf. auch segmentierungsbasierten) Vorverarbeitung und adaptiven Registrierungsstrategien zur geometrischen Korrelation inhaltlich divergenter histologischer Bilddaten. Darauf aufbauend wird eine Vorverarbeitungskette entw., bestehend aus Gewebesegmentierung und Intensitätsnormalisierung. Anschließend werden versch. Registrierungsansätze untersucht und implementiert, darunter intensitätsbasierte Verfahren (z. B. SSD, NCC, MI) sowie merkmalsbasierte Verfahren (z. B. SIFT, SURF).

SFF Projekt KIbERI (02.01.2025 bis 31.12.2027)

Motivation: Aktuell müssen Radiologen unstrukturierte, lange Freitexte manuell analysieren, um wichtige Informationen herauszufiltern und fundierte Entscheidungen zu treffen. Dieser Prozess ist sowohl zeitaufwendig, als auch fehleranfällig, insbesondere unter Zeitdruck. Radiologie-Informationssysteme im Stand der Technik ermöglichen lediglich eine einfache Verwaltung und den Zugriff auf Daten, bieten jedoch keine effektive Unterstützung für die Entscheidungsfindung.

Ziele und Vorgehen: Im Projekt soll die Forschungsfrage untersucht werden, ob durch die erstmalige Kombination eines Large-Language-Models (LLM) und Case-Based Reasoning (CBR) Arbeitsabläufe in der Radiologie automatisiert werden können, indem präzise Vorschläge für rechtfertigende Indikationen generiert werden. Ziel ist eine KI-gestützte Entscheidungshilfe, die Freitextdaten, klinische Rahmenparameter und medizinische Bedingungen bzw. Vorbefunde integriert und den Ärzten exakte Untersuchungsvorschläge unterbreitet. Das LLM soll mit einer Transformer-Architektur, z. B. BERT, BERTopic, entwickelt werden. Der CBR-Ansatz soll dies durch Ähnlichkeitsanalysen ergänzen. Die Ansätze sollen in einem Ensemble-Modell kombiniert werden, um präzise Untersuchungsvorschläge mit einer angestrebten Zielgenauigkeit von mindestens 80 % zu generieren.
Es werden LLMs wie BERT, T5 und BLOOM sowie Case-Based-Reasoning-Algorithmen wie k-Nearest-Neighbor (k-NN) und Deep Similarity Learning untersucht. Das System soll mehrdimensionale Entscheidungsbäume, z. B. mittels CART oder LightGBM, integrieren. So sollen auch z. B. Laborwerte verglichen werden, um automatische Warnhinweise bei klin. Grenzwerten auszulösen.

SFF Projekt Automatische Registrierung von Voraufnahmen (01.05.2024 bis 31.12.2026)

Motivation: In der medizinischen Bildanalyse der Radiologie müssen CT sowie MRT zur Analyse und Diagnosestellung für Patienten manuell synchronisiert werden. Dies ist zeitintensiv und fehleranfällig. Ziel des Projektes ist die Entwicklung eines Systems zur automatisierten Registrierung von Voraufnahmen und zur Synchronisation bildgebender Verfahren in der Radiologie, um die Effizienz der Arbeitsprozesse und die Präzision zu steigern.

Ziele und Vorgehen: Kern des Projektes ist die erstmalige Kombi. der Analyse anatomischer Gegebenheiten zur automatischen Synchronisation von Bildern verschiedener Modalitäten (CT und MRT) und von Aufnahmen aus verschiedenen Zeiträumen. Hierfür sollen Bildverarbeitungsalgorithmen und/oder Koordinatensysteme zur Mustererkennung und Quantifizierung von Landmarken erforscht und entwickelt werden. Dies umfasst die Herausforderung, die verschiedenen Skalierungen, Orientierungen und qualitativen Unterschiede, z. B. durch Patientenbewegung der Bilder bzw. DICOM-Geometrien, zu kompensieren

.