Data Science

In the research area Data Science, we focus on the development and application of data-driven methods for solving biological, medical, and technical problems. In close cooperation with our partners from research and industry, we develop algorithms for preprocessing and analyzing data using statistical methods and machine learning, as well as visualizing and interpreting the results. For example, within the project LeiVMed Online we develop a platform for benchmarking and visualizing data of treatments of patients in hospitals and developing prediction models for the outcome of treatments.

In many of our projects, we see the need for customized data processing pipelines due to the heterogeneity and complexity of data structures in real world processes and systems. We use applied statistics as well as numerous machine learning approaches, including black box methods (deep neural nets, random forests, gradient boosted trees, etc.) and white box methods (symbolic regression by genetic programming). We build our knowledge discovery pipelines on a variety of different frameworks, especially python scikit-learn, tensorflow, pytorch, MATLAB, and HeuristicLab.

 

 

Selected Publications

Selected Projects

MIML

Die frühe und genaue Diagnose von diabetischen Fußkomplikationen, z.B. der diabetischen neuropathischen Osteoarthropathie (DNOAP), kann gezielt dazu beitragen, die Häufigkeit von infektionsbedingter Morbidität und schwerer Amputation von Gliedmaßen zu reduzieren. Konventionelle Radiographie, Computertomographie (CT), Szintigrafie, MRT, Ultraschall und Positronen-Emissions-Tomographie sind derzeit die wichtigsten Verfahren zur Bewertung und Diagnose von diabetesbedingten Fußkomplikationen. Jedoch ist keine dieser Modalitäten ausreichend, um genügend Informationen über die Pathologie der DNOAP zu liefern, weshalb idealerweise ein multimodaler Ansatz für die Diagnose verwendet werden sollte. Die Zusammenführung verschiedener Datensätze, deren (statistische) Auswertung, sowie die Extraktion von Alleinstellungsmerkmalen, die zur Differentialdiagnose beitragen können, gestaltet sich jedoch als äußert schwierig.

Die Vorarbeiten dieser (Vor-)Studie stellen die Ausgangsbasis für einen FWF-Antrag dar, z.B. in der Förderschiene „Klinische Forschung“. So wird z.B. von KLIF gefordert, dass „AntragstellerInnen geeignete, studienbezogene Vorarbeiten vorweisen müssen“. Im Zuge der TiMed-Aktivitäten sollen an bereits vorhandenen Mikro-CT- und Röntgenbild-Datensätzen (Projekt ArthroKnee, Innovatives Oberösterreich 2020) Image Processing und Machine Learning - Verfahren eingesetzt werden, um eine Datenanalyse-Plattform zu entwickeln, die während der Hauptstudie auf multi-modale Bilddaten des Charcot-Fußes erweitert werden kann. Hauptziel ist die Verbesserung der Detektion von fortschreitenden Frakturen im diabetischen Fuß auf Basis der Kombination von extrahierten Features aus verschiedenen Bildmodalitäten. Das generelle Hauptziel ist die Verbesserung der Vorhersage des Fortschreitens der Pathogenese, um z.B. das Frakturrisiko besser einschätzen zu können. Dazu soll außerdem ein detailliertes biomechanisches Modell auf Basis von multi-modalen Bilddaten erstellt werden, um eine tiefergehende Beschreibung der Ätiopathologie zu liefern.


Head

Dr. Sascha Senck

Researchers

David Jödicke BSc

Prof.(FH) DI Dr. Stephan Winkler

Duration

01.04.2018 – 31.12.2018

Research Areas

ImageAnalysis

DataScience

Research Institutions

Research Center Hagenberg

Research Center Wels

University of Applied Sciences

Klinikum Wels-Grieskirchen

Institute for Lightweight Design and Structural Biomechanics, TU Wien

Research Focus

Software technology and application

Back to Projects