Logo ZeTeM

Zentrum für Technomathematik

ZeTeM > Über das ZeTeM > Mitarbeiter > Prof. Dr. Dr. h.c. Peter Maaß

Kontakt Sitemap Impressum [ English | Deutsch ]
Bild Prof. Dr. Dr. h.c. Peter Maaß

Prof. Dr. Dr. h.c. Peter Maaß

Leiter der AG Technomathematik
Direktor des Zentrums für Technomathematik

Raum: MZH 2250
E-Mail: pmaass@math.uni-bremen.de
Telefon: (0421) 218-63801

Lebenslauf

26.10.59 geboren in Karlsruhe
1979-81 Mathematik-Studium an der TH Karlsruhe
1981-82 Pembroke College, Cambridge, England (DAAD-Stipendium)
1982-85 Studium an der Universität Heidelberg
5.6.1985 Diplom in Mathematik (Diplomarbeit bei Prof. Dr. E. Hairer)
 
1985-87 Mitarbeiter im DFG-Projekt (Prof. Dr. A.K. Louis) "Entwicklung effizienter Algorithmen für die Computer-Tomographie"
1987-90 wissenschaftlicher Mitarbeiter am Fachbereich Mathematik TU Berlin
3.2.1988 Promotion in Berlin
 
1990-91Assistant Professor, Tufts University, Boston (Tomographie Arbeitsgruppe: A. Cormack, E.T. Quinto), 1990-1991
1991-93 Hochschul-Assistent, Universität Saarbrücken
21.5.1993 Habilitation in Saarbrücken
 
1993-99 Professur (C4) für Numerische Mathematik in Potsdam
seit 1999 Professur (C4), Direktor des Zentrums für Technomathematik in Bremen

Sonstiges:

Forschungsgebiete

Leitung von Projekten

  1. EU-ROMSOC: Teilprojekt ''Data Driven Model Adaptations of Coil Sensitivities in MR Systems'' (01.11.2017 - 30.04.2021)
  2. BMBF-MPI²: Modellbasierte Parameteridentifikation in Magnetic Particle Imaging (01.12.2016 - 30.11.2019)
  3. DFG-Graduiertenkolleg: π³ Parameter Identification – Analysis, Algorithms, Applications (01.10.2016 - 31.03.2021)
  4. Neuronale Netze im MALDI Imaging (seit 01.10.2016)
  5. SFB 1232: Farbige Zustände - TP P02: Heuristische, statistische und analytische Versuchsplanung (01.07.2016 - 30.06.2020)
  6. Magnetic Particle Imaging (seit 01.03.2016)
  7. Mathematische Visualisierung (01.01.2016 - 30.06.2017)
  8. BMBF-MaDiPath: Massenspektrometrisches Profiling/Grading für onkologische Routineanwendungen der digitalen Pathologie (01.10.2015 - 30.09.2018)
  9. DFG - Bimodale Rekonstruktion und Magnetic Particle Imaging (seit 01.08.2015)
  10. Toleranzbasierte Regularisierungstheorie für inverse Probleme (seit 01.06.2015)

Veranstaltungen (Auswahl)vollständige Liste

  1. Mathematische Grundlagen der Datenanalyse und Bildverarbeitung (Wintersemester 2019/2020)
  2. Oberseminar Inverse Probleme (Wintersemester 2019/2020)
  3. Machine Learning (Sommersemester 2018)
  4. Mathematical Foundations of Machine Learning (Sommersemester 2019)
  5. Oberseminar Inverse Probleme (Sommersemester 2019)

Promotionen

          Dissertationen betreut/begutachtet von Prof. Dr. Peter Maaß

Abschlussarbeiten (Auswahl)vollständige Liste

  1. Joint-Motion und Bildrekonstruktion für Magnetic Particle Imaging in 2D und 3D (Dennis Zvegincev)
  2. Quantisierung mit geringer Auflösung für Kanäle mit Gedächtnis (Lukas Henneke)
  3. Deep Learning in der Anwendung des Magnetic Particle Imaging (Johannes Leuschner)
  4. A parameter identification problem for particle magnetization models in the context of Magnetic Particle Imaging (Hannes Albers)
  5. Untersuchung Neuronaler Kapsel-Netze im Kontext der Bildklassifikation und Semantischen Segmentierung (Maximilian Schmidt)

Patente

  1. P. Maaß, J. H. Kobarg, F. Alexandrov, P. Vandergheynst, M. Goldabaee.
    Verfahren zum rechnergestützten Verarbeiten von räumlich aufgelösten Hyperspektraldaten, insbesondere von Massenspektrometriedaten.
    Deutsches Patent- und Markenamt DE102013207402A1,
    Anmeldenummer: 1020132074, Anmeldedatum: 24.04.2013.
    Veröffentlicht in Patenblatt Nr.: am 30.10.2014.
  2. P. Maaß, J. Oetjen, L. Hauberg-Lotte, F. Alexandrov, D. Trede.
    Verfahren zur rechnergestützten Analyse eines oder mehrerer Gewebeschnitte des menschlichen oder tierischen Körpers.
    Deutsches Patent- und Markenamt DE102014224916A1,
    Anmeldenummer: 1020142249, Anmeldedatum: 04.12.2014.
    Veröffentlicht in Patenblatt Nr.: am 06.09.2016.
    US Patent & Trademark Office, US 20160163523 A1,
    Anmeldenummer: 14/959967 , Anmeldedatum: 04.12.2014.
    Veröffentlicht am 09.06.2016
    Intellectual Property Office, GB 2535586,
    Anmeldenummer: GB1521058.6, Anmeldedatum: 30.11.2015.
    Veröffentlicht am 24.08.2016
    Institut national de la propriété industrielle, FR 3029671 A1,
    Anmeldenummer: FR1561774, Anmeldedatum: 03.12.2015.
    Veröffentlicht am 10.06.2016
  3. D. Trede, P. Maaß, H. Preckel.
    Method for analysing the effect of a test substance on biological and/or biochemical samples.
    US Patent and Trademark Office US2011/0098198 A1,
    Anmeldenummer: 2011009819, Anmeldedatum: 29.04.2009.
    Veröffentlicht in Patenblatt Nr.: PCT/EP09/55187 am 28.04.2011.
  4. D. Trede, P. Maaß, F. Alexandrov.
    Verfahren und Vorrichtung zur rechnergestützten Verarbeitung eines digitalisierten Bildes sowie maschinenlesbarer Datenträger.
    Deutsches Patent- und Markenamt 10 2011 003 242.8,
    Anmeldenummer: 102011003, Anmeldedatum: 27.01.2011.
    Veröffentlicht in Patenblatt Nr.: am 02.08.2012.
  5. D. Trede, P. Maaß, H. Preckel.
    Verfahren zur Analyse der Wirkung einer Testsubstanz auf biologische und/oder biochemische Proben.
    Europäisches Patentamt EP2128815,
    Anmeldenummer: 8155784, Anmeldedatum: 07.05.2008.
    Veröffentlicht in Patenblatt Nr.: 2009/49 am 02.12.2009.
  6. P. Maaß, A. K. Louis.
    Verfahren und Vorrichtung zur dreidimensionalen Computertomographie.
    Deutsches Patent- und Markenamt DE19623271A1,
    Anmeldenummer: 19623271, Anmeldedatum: 31.05.1996.
    Veröffentlicht in Patenblatt Nr.: 1997/49 am 04.12.1997.
  7. P. Maaß.
    Verfahren zur Segmentierung von Zeichen.
    Deutsches Patent- und Markenamt DE19533585C1,
    Anmeldenummer: 19533585, Anmeldedatum: 01.09.1995.
    Veröffentlicht in Patenblatt Nr.: 1997/02 am 09.01.1997.

Publikationen (Auswahl)vollständige Liste

  1. P. Maaß.
    Deep learning for trivial inverse problems.
    Compressed Sensing and its Applications, H. Boche, R. Calderbank, G. Caire, G. Kutyniok, R. Mathar, P. Petersen (Hrsg.), Applied and Numerical Harmonic Analysis, S. 195-209, Birkhäuser, 2019.

    DOI: 10.1007/978-3-319-73074-5_6

  2. J. Leuschner, M. Schmidt, D. Otero Baguer, P. Maaß.
    The LoDoPaB-CT Dataset: A Benchmark Dataset for Low-Dose CT Reconstruction Methods.
    Zur Veröffentlichung eingereicht.

    online unter: arXiv:1910.01113

  3. S. Arridge, P. Maaß, O. Öktem, C. Schönlieb.
    Solving inverse problems using data-driven models.
    Acta Numerica, 28:pp. 1-174, Cambridge University Press, 2019.

    DOI: 10.1017/S0962492919000059

  4. C. Etmann, S. Lunz, P. Maaß, C. Schönlieb.
    On the Connection Between Adversarial Robustness and Saliency Map Interpretability.
    36th International Conference on Machine Learning, 09.06.-15.06.2019, Los Angeles, USA.
    PMLR 97, 97:1823-1832, 2019.

    online unter: http://proceedings.mlr.press/v97/etmann19a.html

  5. J. Leuschner, M. Schmidt, P. Fernsel, D. Lachmund, T. Boskamp, P. Maaß.
    Supervised Non-negative Matrix Factorization Methods for MALDI Imaging Applications.
    Bioinformatics, bty909 , 2018.

    DOI: 10.1093/bioinformatics/bty909