Logo Uni Bremen

Zentrum für Technomathematik

ZeTeM > Über das ZeTeM > Mitarbeiter*innen > 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

Raum: MZH 2250
E-Mail: pmaass@math.uni-bremen.de
Telefon: (0421) 218-63801
ORCID iD:  0000-0003-1448-8345

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
1999-2021Professur (C4), Direktor des Zentrums für Technomathematik in Bremen
seit 1999 Professur (C4) am Zentrum für Technomathematik in Bremen, Leiter der AG Technomathematik

Sonstiges:

Forschungsgebiete

Leitung von Projekten

  1. Design-KIT: Künstliche Intelligenz in der mechanischen Bauteilentwicklung; TP: Deep Learning zur Geometrieerzeugung von mechanischen Bauteilen (01.10.2020 - 31.03.2022)
  2. HYDAMO - Hybride datengetriebene und modellbasierte Simulation komplexer Strömungsprobleme in der Fahrzeugindustrie (01.04.2020 - 31.03.2023)
  3. SPAplus: Small Data Probleme in der digitalen Pathologie und programmbegleitende Maßnahmen (01.04.2020 - 31.03.2023)
  4. AGENS - Analytisch-generative Netzwerke zur Systemidentifikation (01.04.2020 - 31.03.2023)
  5. DIAMANT - Digitale Bildanalyse und bildgebende Massenspektrometrie zur Differenzierung von nichtkleinzelligem Lungenkrebs (01.01.2020 - 31.12.2022)
  6. Studie zur Qualitätsbewertung, Standardisierung und Reproduzierbarkeit von Daten der bildgebenden MALDI-Massenspektrometrie – MALDISTAR (01.07.2019 - 30.06.2022)
  7. EU-ROMSOC: Teilprojekt ''Data Driven Model Adaptations of Coil Sensitivities in MR Systems'' (01.11.2017 - 30.04.2021)
  8. BMBF-MPI²: Modellbasierte Parameteridentifikation in Magnetic Particle Imaging (01.12.2016 - 30.11.2019)
  9. DFG-Graduiertenkolleg: π³ Parameter Identification – Analysis, Algorithms, Applications (01.10.2016 - 31.03.2021)
  10. Neuronale Netze im MALDI Imaging (seit 01.10.2016)

Veranstaltungen (Auswahl)vollständige Liste

  1. Mathematical Foundations of Machine Learning (Sommersemester 2022)
  2. Oberseminar Deep Learning (Sommersemester 2022)
  3. Mathematische Grundlagen der Datenanalyse und Bildverarbeitung (Wintersemester 2021/2022)
  4. Oberseminar Deep Learning (Sommersemester 2021)
  5. Mathematische Grundlagen des maschinellen Lernens (Sommersemester 2021)

betreute/begutachtete Dissertationen (Auswahl)vollständige Liste

  1. Hybrid Deep Learning: How Combining Data-Driven and Model-Based Approaches Solves Inverse Problems in Computed Tomography and Beyond (Maximilian Schmidt)
  2. Nonnegative Matrix Factorization: Theory, Algorithms and Applications (Pascal Fernsel)
  3. Regularization of ill-posed inverse problems with tolerances and sparsity in the parameter space (Georgia Sfakianaki)
  4. On deep learning applied to inverse problems - A chicken-and-egg problem (Sören Dittmer)
  5. Neural Networks for solving Inverse Problems. Applications in Materials Science and Medical Imaging (Daniel Otero Baguer)

Abschlussarbeiten (Auswahl)vollständige Liste

  1. Das universelle Approximationsproblem für neuronale Netze und numerische Tests für niedrig-dimensionale inverse Probleme (Malte Lorenzen)
  2. Long-term Forecasting of Energy Consumption Data using Attention-based Neural Networks (Cécile Pot d'or)
  3. Optimal Filter Functions in X-Ray Computed Tomography (Judith Nickel)
  4. Statistical Inversion of the Radon Transform with Normalizing Flows (Jakob Lehmann)
  5. Residuale Transformationen und Divergenzen in Bayes’schen Neuronalen Netzen (Niklas Koenen)

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. C. Janßen, T. Boskamp, L. Hauberg-Lotte, J. Behrmann, S. Deininger, M. Kriegsmann, K. Kriegsmann, G. Steinbuß, H. Winter, T. Muley, R. Casadonte, J. Kriegsmann, P. Maaß.
    Robust subtyping of non-small cell lung cancer whole sections through MALDI mass spectrometry imaging.
    Proteomics - Clinical Applications, PRCA2208 , 2022.

    DOI: 10.1002/prca.202100068

  2. S. Dittmer, C. Schönlieb, P. Maaß.
    Ground Truth Free Denoising by Optimal Transport.
    Erscheint in Numerical Algebra, Control, and Optimization

    online unter: https://arxiv.org/abs/2007.01575

  3. P. Fernsel, P. Maaß.
    Regularized Orthogonal Nonnegative Matrix Factorization and K-means Clustering.
    Zur Veröffentlichung eingereicht.

    online unter: https://arxiv.org/abs/2112.07641

  4. S. Dittmer, T. Kluth, M. Henriksen, P. Maaß.
    Deep image prior for 3D magnetic particle imaging: A quantitative comparison of regularization techniques on Open MPI dataset.
    International Journal on Magnetic Particle Imaging, 7(1), 2021.

    online unter: https://journal.iwmpi.org/index.php/iwmpi/article/view/148

  5. J. Leuschner, M. Schmidt, D. Otero Baguer, P. Maaß.
    LoDoPaB-CT, a benchmark dataset for low-dose computed tomography reconstruction.
    Scientific Data, 8(109), 2021.

    DOI: 10.1038/s41597-021-00893-z