Image Analysis
In the Image Analysis research area, we develop and apply methods for computational processing and analysis of digital microscopy images, especially for solving problems in biology and medicine. A wide range of biomedical research projects rely on microscopy data which require specifically designed image analysis workflows to support the identification of complex biological processes. In close collaboration with our partners from research and industry, we develop algorithms and software that analyze microscopy images, for example fluorescence microscopy images of cells or other kinds of organic material. Our focus in algorithm development is mainly on methods of signal processing, machine learning, and computer vision for information extraction and interpretation. Besides filtering and denoising for pre-processing and feature extraction methods, we use machine learning approaches such as deep learning for object detection, segmentation, and object tracking. In addition to workflows and algorithms, we implement image analysis software (e.g. Spotty) for biological research to automatically detect, track, and analyze cells and particles to support fundamental research and drug development. For image analysis, we build on tools and frameworks such as MATLAB, OpenCV, and TensorFlow.
Selected Publications
| 2021 | Jonas Schurr, Christoph Eilenberger, Peter Ertl, Josef Scharinger, and Stephan M. Winkler: | Automated Evaluation of Cell Viability in Microfluidic Spheroid Arrays | Proceedings of the 10th International Workshop on Innovative Simulation for Healthcare, 18th International Multidisciplinary Modeling & Simulation Multiconference 2021 | View Article |
| 2016 | Daniela Borgmann, Sandra Mayr, Helene Polin, Susanne Schaller, Viktoria Dorfer, Christian Gabriel, Stephan Winkler, and Jaroslaw Jacak: | Single Molecule Florescence Microscopy and Machine Learning for Rhesus D Antigen Classification | Scientific Reports 6 | View Article |
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