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

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