Summer School 2019

Zunächst werden Grundlagen zu Deep Learning vermittelt, um im Anschluss dieses Wissen auf die Bildverarbeitung in der Medizin zu übertragen. Dabei werden folgende Fragen der medizinischen Bildverarbeitung vertieft behandelt und mit praktischen Übungen bearbeitet:
 

Radiomics

Radiomics, auch »Feature Engineering« genannt, bezeichnet Ansätze, in denen Experten die charakteristischen Bildmerkmale (Kanten, Texturen, …) für eine Aufgabe wie zum Beispiel die Klassifikation von Auffälligkeiten in medizinischen Bildern programmieren. Typische Probleme sind die adäquate Programmierung sinnvoller Merkmale und die Auswahl der nützlichsten (feature selection). Ein Vorteil ist der direkte Bezug der Merkmale zum Bild.
 

Deep Learning mit Convolutional Neural Networks und Generative Adversarial Networks

Deep Learning, auch »Feature Learning« genannt, sind Methoden, in denen Computer selbständig die Bildmerkmale identifizieren. Sie sind auf ausreichend große Datensätze angewiesen, haben dann aber eine unübertroffene Leistungsfähigkeit.
 

Feature Learning – Explainability, Saliency

Setzt man Deep-Learning-Methoden ein, ist das gelernte Modell durch abermillionen Parameter repräsentiert. Diese können nicht durch simple Visualisierung verständlich gemacht werden. Besonders im Bereich der medizinischen Anwendung wird die Frage daher immer wichtiger, wie wenigstens die Entscheidung eines Deep-Learning-Modells verstehbar gemacht werden kann: Warum diese Entscheidung? Wie sicher ist die Entscheidung?

• Spass an Mathematik, Linearer Algebra und Statistik
• Interesse an medizinischen Themen sollte vorhanden sein; medizinisches Wissen wird aber nicht vorausgesetzt.
• Programmiererfahrung in Python; idealerweise Erfahrung mit Jupyter Notebooks
• Machine-Learning-Vorkenntnisse sind von Vorteil
• Als Studierende*r eingeschrieben
• Der Kurs richtet sich an Studierende im Bachelor. Studierende im Master sind ebenfalls willkommen.

Achtung: Bitte bringt einen eigenen Laptop mit, sofern vorhanden. Die Praxisübungen werden auf Cluster-Rechnern stattfinden, die über ein Web-Frontend erreichbar sind.

Bewerbungs- und Auswahlprozess

1. Melde Dich bitte bis Ende Juli über das Online-Bewerbungsformular an.
2. Schicke uns bitte zusätzlich Deinen Lebenslauf an Datascientist@iais.fraunhofer.de und schreibe uns kurz, warum Du an der Summer School teilnehmen möchtest.

Der Bewerbungsschluss ist am 31. Juli 2019. Ein Fachgremium wählt anschließend aus den Bewerbungen 15 Teilnehmende aus. Du wirst bis zum 8. August 2019 informiert, ob Du dabei bist.
 

Ablauf: 23. – 27. September 2019

• Montag: 12 bis 18 Uhr
• Dienstag bis Donnerstag: 10 bis 18 Uhr
• Freitag: 10 bis 15 Uhr

Ihr erhaltet an drei Tagen theoretischen Input, kombiniert mit praktischen Übungen. An zwei Tagen bearbeitet ihr in kleinen Teams einen Use Case.
 

Anfahrt, Verpflegung und Übernachtung    

• Die Summer School ist für die Teilnehmenden kostenlos.
  
• Das Mittagessen und Getränke sind inklusive.
• Anfahrt und Übernachtung sowie Frühstück und Abendessen werden von den Teilnehmenden selbst organisiert und erfolgen auf eigene Kosten.
• Veranstaltungsort: Fraunhofer-Institutszentrum Schloss Birlinghoven, 53757 Sankt Augustin
   

• Informationen zur Anfahrt

Fraunhofer MEVIS

Eingebunden in ein Netzwerk aus klinischen und akademischen Partnern entwickelt das Fraunhofer-Institut für Digitale Medizin MEVIS praxistaugliche Softwaresysteme für die bild- und datengestützte Früherkennung, Diagnose und Therapie. Im Mittelpunkt stehen Krebsleiden sowie Erkrankungen des Herz-Kreislaufsystems, des Gehirns, der Brust, der Leber und der Lunge. Außerdem entwickelt das Institut im Auftrag von Industriepartnern Softwaresysteme, mit denen sich bildbasierte Studien zur Wirksamkeit von Medikamenten und Kontrastmitteln auswerten lassen.

Fraunhofer ITWM

Das Kompetenzzentrum für High Performance Computing (CC-HPC) am Fraunhofer-Institut für Wirtschafts- und Technomathematik ITWM entwickelt innovative HPC-Lösungen für die Industrie und nimmt an nationalen und internationalen Forschungsprogrammen teil. Seit der Gründung im Jahr 2002 konzentriert sich das CC-HPC hauptsächlich auf den Entwurf paralleler Software und die Entwicklung von HPC-Werkzeugen. Ein Schwerpunkt liegt dabei auf skalierbaren verteilten Maschinelles Lernen Algorithmen im Kontext von Big Data Applikationen und Deep Learning.

Fraunhofer IAIS

Mit seiner langjährigen Erfahrung in Data Science, Mustererkennung sowie Systemmodellierung und ­-analyse gehört das Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS zu den führenden Ein­richtungen für angewandte Big­-Data-­ und KI-Forschung in Europa. Mit seinen rund 280 Mitarbeiterinnen und Mitarbeitern bündelt das Fraunhofer IAIS Kompetenzen und wissenschaftliche Qualifikationen aller ingenieurwissenschaftlichen Disziplinen, insbesondere der Informatik, sowie der Mathematik, Naturwissenschaften, Betriebswirtschaft, Geo- und Sozialwissenschaften mit profundem Branchenwissen.

Fraunhofer-Zentrum Maschinelles Lernen

Maschinelles Lernen ist eine Schlüsseltechnologie für kognitive Systeme, intelligente Produkte und digitale Assistenten und spielt eine entscheidende Rolle für die digitale Transformation unserer Wirtschaft und Gesellschaft. Das Forschungszentrum Maschinelles Lernen der Fraunhofer-Gesellschaft erforscht und entwickelt neue verlässliche Verfahren des maschinellen Lernens, die aktuelle Herausforderungen der Industrie adressieren und es ermöglichen, transparente und nachvollziehbare Lösungen der künstlichen Intelligenz strategisch in Produktions-, Geschäfts- und Vertriebsprozesse zu integrieren.