Logo ZeTeM

Zentrum für Technomathematik

ZeTeM > Arbeitsgruppen > AG Technomathematik > Deep Learning & Digitale Pathologie

Kontakt Sitemap Impressum [ English | Deutsch ]

Team für Deep Learning & Digitale Pathologie (DigiPath)

Das digipath-Team beschäftigt sich mit verschiedenen Herausforderung im Bereich der digitalen Pathologie. Dazu gehören zum Beispiel die Klassifizierung von Tumor- und nicht-Tumorgewebe oder von verschiedenen Tumortypen basierend auf digitalen Mikroskopiebildern. Es werden dazu klassische machine learning- als auch moderne deep learning-Methoden genutzt.

Automatic Tumor Detection

Projekte



DigiPath - Viewer DigiPath - Viewer

DigiPath - Viewer


Das digipath-Team entwickelt außerdem einen „DigiPath-Viewer“, eine Webanwendung, die zum Annotieren von digitalen Mikroskopiebildern und zum Anzeigen der Ergebnissen der Modelle genutzt werden kann. Der "DigiPath-Viewer" soll unsere Ergebnisse visualisieren und auch die Arbeit von Patholog*innen vereinfachen. Einige der Hauptfunktionen sind:

Teilnahme an Challenges

Teamleiter


Dr. Daniel Otero Baguer 
Raum: MZH 2060
Telefon: (0421) 218-63816
E-Mail: otero@math.uni-bremen.de

Das Team


Dr. Jens Behrmann 
Raum: MZH 2070
Telefon: 218-63812
E-Mail: jensb@uni-bremen.de
Dr. Lena Hauberg-Lotte 
Raum: MZH 2200
Telefon: 218-63807
E-Mail: hauberg@math.uni-bremen.de
Dr. Charlotte Janßen 
Raum: MZH 2070
Telefon: (0421) 218 63824
E-Mail: cjanssen@uni-bremen.de
José Carlos Gutiérrez Pérez 
Raum: MZH 2170
Telefon: (0421) 218 63821
E-Mail: josecarl@uni-bremen.de
Jean Le Clerc Arrastia 
Raum: MZH 2170
Telefon: (0421) 218-63825
E-Mail: leclerc@math.uni-bremen.de
Nick Heilenkötter 
E-Mail: nick7@uni-bremen.de

Veröffentlichungen


  1. J. Behrmann, C. Etmann, T. Boskamp, R. Casadonte, J. Kriegsmann, P. Maaß.
    Deep Learning for Tumor Classification in Imaging Mass Spectrometry.
    Bioinformatics, 34(7):1215-1223, Oxford University Press, 2018.

    DOI: 10.1093/bioinformatics/btx724

  2. C. Etmann, M. Schmidt, J. Behrmann, T. Boskamp, L. Hauberg-Lotte, A. Peter, R. Casadonte, J. Kriegsmann, P. Maaß.
    Deep Relevance Regularization: Interpretable and Robust Tumor Typing of Imaging Mass Spectrometry Data.
    Zur Veröffentlichung eingereicht.

    online unter: https://arxiv.org/abs/1912.05459