Zum Hauptinhalt springen

High Speed Endoskopie Deep Learning

Analyse und Vorverarbeitung von Videoendoskopieaufnahmen mit Deep Learning

Wir setzen zeitgemäße Deep Learning Methoden zur Verbesserung bestehender Applikationen und in laufender Forschung ein. Diese Methoden bieten ein großes Anwendungspotential, weswegen wir ihre Einsatzmöglichkeiten in mehreren Bereichen untersuchen. Zur Sicherstellung der Objektivität etwa werden Videos automatisiert vorverarbeitet. Auch bestehende Methoden zur Schätzung der physikalischen Eigenschaften können dadurch verbessert werden.

Förderer und Projektzeitraum

seit 01/2018

DFG
DO1247/8-2 und SCHU3441/3-2   02/2021-01-/2024

Kooperation

  • Dinesh K. Chhetri, MD, Ronald Reagan UCLA Medical CenterUCLA Medical Center, Santa Monica, USA
  • Prof. Dr. med. Matthias Echternach, HNO-Klinik, Klinikum der Universität München
  • Aaron M. Johnson, PhD, Department of Otolaryngology-Head and Neck Surgery,  New York University School of Medicine, USA
  • Melda Kunduk Ph.D., Louisiana State University, Baton Rouge, USA
  • Prof. Dr. Youri Maryn, University of Ghent, Department of Speech, Language and Hearing Sciences, Wilrijk (Antwerpen), Belgium

Publikationen

P. Gómez, M. Semmler, A. Schützenberger, C. Bohr, M. Döllinger. Low-Light Image Enhancement of High-Speed Endoscopic Videos using a Convolutional Neural Network. Journal Medical & Biological Engineering & Computing 57(7): 1451–1463; 2019.

P. Gómez, A. Schützenberger, M. Semmler, M. Döllinger. Laryngeal pressure estimation with a recurrent neural network. IEEE J Transl Eng Health Med, 7: article no. 8590726; 2019.

A. Kist, M. Döllinger. Efficient biomedical image segmentation on EdgeTPUs at point of care. IEEE Access, vol. 8, art. 9151951:139356-139366; 2020.

A. Kist, J. Zilker, P. Gómez, A. Schützenberger, M. Döllinger. Rethinking glottal midline detection. Scientific Reports, 10(1):20723; 2020.