Logo Uni Bremen

Zentrum für Technomathematik

ZeTeM > About ZeTeM > Staff > Prof. Dr. Dr. h.c. Peter Maaß

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

Prof. Dr. Dr. h.c. Peter Maaß

Leader of WG Industrial Mathematics

Room: MZH 2250
Email: pmaass@math.uni-bremen.de
Phone: (0421) 218-63801
ORCID iD:  0000-0003-1448-8345

Research Areas

Leader of Projects

  1. Design-KIT: Artificial Intelligence in mechanical component development; TP: Deep Learning for geometry generation of mechanical components (01.10.2020 - 31.03.2022)
  2. AGENS - Analytical-generative Networks for System Identification (01.04.2020 - 31.03.2023)
  3. HYDAMO - Hybrid data-driven and model-based simulation of complex flow problems in the automotive industry (01.04.2020 - 31.03.2023)
  4. SPAplus: Small data problems in digital pathology and measures accompanying the programme (01.04.2020 - 31.03.2023)
  5. DIAMANT - Digital Image Analysis and Imaging Mass Spectrometry to Differentiate Non-small Cell Lung Cancer (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: Project ''Data Driven Model Adaptations of Coil Sensitivities in MR Systems'' (01.11.2017 - 30.04.2021)
  8. BMBF-MPI²: Model-based parameter identification 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. Neural networks in MALDI imaging (since 01.10.2016)

Courses (Selection)complete list

  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 (Selection)complete list

  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)

Theses (Selection)complete list

  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)

Patents

  1. P. Maaß, J. H. Kobarg, F. Alexandrov, P. Vandergheynst, M. Goldabaee.
    Verfahren zum rechnergestützten Verarbeiten von räumlich aufgelösten Hyperspektraldaten, insbesondere von Massenspektrometriedaten.
    German Patent and Trade Mark Office DE102013207402A1,
    Number of registration: 1020132074, Date of registration: 24.04.2013.
    Published in patent bulletin no.: on 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.
    German Patent and Trade Mark Office DE102014224916A1,
    Number of registration: 1020142249, Date of registration: 04.12.2014.
    Published in patent bulletin no.: on 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,
    Number of registration: 2011009819, Date of registration: 29.04.2009.
    Published in patent bulletin no.: PCT/EP09/55187 on 28.04.2011.
  4. D. Trede, P. Maaß, F. Alexandrov.
    Verfahren und Vorrichtung zur rechnergestützten Verarbeitung eines digitalisierten Bildes sowie maschinenlesbarer Datenträger.
    German Patent and Trade Mark Office 10 2011 003 242.8,
    Number of registration: 102011003, Date of registration: 27.01.2011.
    Published in patent bulletin no.: on 02.08.2012.
  5. D. Trede, P. Maaß, H. Preckel.
    Verfahren zur Analyse der Wirkung einer Testsubstanz auf biologische und/oder biochemische Proben.
    European Patent Office EP2128815,
    Number of registration: 8155784, Date of registration: 07.05.2008.
    Published in patent bulletin no.: 2009/49 on 02.12.2009.
  6. P. Maaß, A. K. Louis.
    Verfahren und Vorrichtung zur dreidimensionalen Computertomographie.
    German Patent and Trade Mark Office DE19623271A1,
    Number of registration: 19623271, Date of registration: 31.05.1996.
    Published in patent bulletin no.: 1997/49 on 04.12.1997.
  7. P. Maaß.
    Verfahren zur Segmentierung von Zeichen.
    German Patent and Trade Mark Office DE19533585C1,
    Number of registration: 19533585, Date of registration: 01.09.1995.
    Published in patent bulletin no.: 1997/02 on 09.01.1997.

Publications (Selection)complete list

  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 at: https://arxiv.org/abs/2007.01575

  3. J. Le Clerc Arrastia, N. Heilenkötter, D. Otero Baguer, L. Hauberg-Lotte, T. Boskamp, S. Hetzer, N. Duschner , J. Schaller , P. Maaß.
    Deeply Supervised UNet for Semantic Segmentation to Assist Dermatopathological Assessment of Basal Cell Carcinoma.
    MDPI Journal of Imaging, 71 7(4), Meisenbach Verlag, Bamberg, 2021.

    DOI: 10.3390/jimaging7040071

  4. A. Denker, M. Schmidt, J. Leuschner, P. Maaß.
    Conditional Invertible Neural Networks for Medical Imaging .
    MDPI Journal of Imaging, Inverse Problems and Imaging 7(11), 243 pp., 2021.

    DOI: 10.3390/jimaging7110243

  5. R. Barbano, J. Leuschner, M. Schmidt, A. Denker, P. Maaß, B. Jin.
    Is Deep Image Prior in Need of a Good Education?
    Zur Veröffentlichung eingereicht.

    online at: https://arxiv.org/abs/2111.11926