Wir beschäftigen uns insbesondere mit:

• Entwicklung von robusten, generalisierbaren Neuronalen Netzen (CNNs, Deep Learning)
• Daten-/Annotation-effiziente Modelle basierend auf Semi-/Self-supervised Learning
• Outlier-Detektion und Imputation von unvollständige Datensätzen
• Rekonstruktion von Bild- und Videodaten, eg. mit Hilfe von Super-Resolution
• Segmentierungsprobleme, insbesondere MRI Brain Segmentation
• Quantifizierung von Unsicherheiten von Klassifizierungsvorhersagen
• Entwicklung von interpretierbaren Features zur Verbesserung der Anwender-/Patientenkommunikation
• Evaluierung von Algorithmus Performance und Quantifizierung von Data-biases
• Translation von Forschungsergebnissen in industrielle oder medizinische Kontexte
• Quantifizierung von menschlicher Anatomie anhand von Bilddaten (MRI, X-Ray, CT) im Kontext von Erkrankungen wie Demenz, Tumoren und Traumata.