Du entwickelst ein System zum Vorhersagen einer möglichen Abstoßung der Niere bei einer Organtransplantation. Als Informatiker trainierst Du die Daten neu an. Nutze unsere Ground Truth Daten um ein Deep Learning Modell theoretisch und praktisch zu entwickeln. Als Designer arbeitest Du an der Visualisierung der Ergebnisse und UX. Als Mediziner vermittelst Du das Fachwissen. Selbstverständlich unterstützen unsere Experten Dich bei Deiner Aufgabe.

Das Immunsystem ist das Instrument des Körpers zur Bekämpfung von Erregern und geschädigten Zellen. Forscher entwickeln neue Medikamente, die dem Immunsystem helfen, Krebs zu bekämpfen. Die Forscher analysieren dabei große Mikroskopiebilder und wenden darauf statistische Verfahren an. Du entwickelst auf Basis unserer Ground Truth Daten verschiedene Modelle zur automatischen Analyse erkrankter Zellen oder Blutgefäße. Als Informatiker trainierst Du rudimentär ein neues Modell an. Als Designer ermöglichst Du, die Ergebnisse der Modelle zu visualisieren und arbeitest an der UX. Als Mediziner vermittelst Du das Fachwissen.

Untersuche das Wachstum von Zellen über die Zeit. Forscher arbeiten mit Zellkulturen, d.h. unsterblichen Zelllinien in Nährmedium die sich unbegrenzt teilen und daher sehr gut geeignet sind für die Tumorbiologie, Zellbiologie und medizinischen Forschung. Aufgabe wird sein aus einer mikroskopischen Zeitserie die im Durchlicht aufgenommen wurde das Wachstum der Zellen als Verhältnis der bewachsenen Areale zum Gesamtbild zu bestimmen. Dies ist eine Anwendung die von Forschern häufig beobachtet und dokumentiert wird.

Wechselwirkungen zwischen den Organen der Zellen, sogenannten Zellorganellen, spielen in der Krebsforschung eine immer wichtigere Rolle. Zwei der wichtigsten Zellorganellen sind Mitochondrien (Energieerzeugung) und das Endoplasmatische Retikulum (Proteinsynthese). Ihre Untersuchung ist Gegenstand vieler Arbeitsgruppen der bio-medizinischen Grundlagenforschung.
Du entwickelst aufgrund unserer Ground Truth Daten, erstellt mit einem hochauflösenden Elektronenmikroskop, ein grobes Modell zur Erkennung der genannten zellulären Substrukturen. Da herkömmliche Ansätze mit Schwellwerten bei dieser Art Bilder keine zufriedenstellenden Ergebnisse liefern soll an dieser Stelle ein Deep Learning Ansatz verfolgt werden.

Bei „Neurospheres“ handelt es sich um mehrere neuronale Stammzellen, die sich zu einer Kugel formen. Indem man den Zellkugeln bestimmte Botenstoffe verabreicht kann man ihre Entwicklung beeinflussen und anschließend erforschen. Aufgabe ist es hier zum einen das Volumen einer solchen Kugel zu bestimmen und zum anderen die Nervenfortsätze durch Parameter wie Länge, Breite und Zahl zu charakterisieren.

Entwickle eine Webanwendung, mit der Ground Truth Daten für das pixel-basierte Antrainieren der Deep Learning Modelle von Mikroskopiebildern annotiert werden. Lerne über die entscheidende Voraussetzung für die Gewährleistung der späteren Zuverlässigkeit von Deep Learning Modellen: Ground Truth Daten und deren Entstehung. Als Informatiker entwickelst Du eine Webanwendung und setzt Imageanalysis Methoden ein. Als Designer gestaltest Du die UX und die Visualisierung einer Webplattform. Als Mediziner vermittelst Du das Fachwissen über die zu annotierenden Gewebestrukturen.

Hautkrebs ist eine häufige Krankheit, deren Anzeichen schnellstmöglich durch den Arzt geprüft werden sollten. Mit einer mobilen App kann eine Voranalyse erfolgen, bevor beim Arzt die endgültige Diagnose stattfindet. Deine Aufgabe ist es, eine solche App zu entwickeln. Als Informatiker nutze unsere Ground Truth Daten, um ein Deep Learning Modell rudimentär zu entwickeln. Als Designer arbeite an der UX. Als Mediziner klassifiziere die Hautkrebserkrankungen und begleite das Team mit Deinem Fachwissen.

Ein gut funktionierendes Modell hat das Problem, nur mit kleinen Bildern arbeiten zu können. Entwickelt dieses weiter, so dass es größere Bilder verarbeiten kann.

Nein, hier sollen keine Single Pathologen und Pathologinnen miteinander verkuppelt werden. Ziel dieser Aufgabe ist es, eine mobile Anwendung zu entwickeln mit deren Hilfe Pathologen schnell und einfach Zellen kategorisieren können. Mögliche Anwendung Glomeruli / defekte Zellkerne / krebsbefallene Zellen.

Mit einem „Focussed Ion Beam – Scanning Electron Microscope“ (FIB-SEM) kann man eine Probe in der Materialwissenschaft modifizieren und Material abtragen. Beispielsweise kann ein Graben in die Probenoberfläche geschossen werden um dann den Querschnitt der Probe in die Tiefe mit dem Elektronenstrahl abzubilden. Führt man dies in einem iterativen Prozess fort, indem man von der Querschnittskante mit dem FIB immer wieder eine Schicht „abfräst“ und die neue Querschnittfläche abbildet, erhält man einen 3D-Bilderstapel den man visualisieren kann. Leider kommt es bei der Aufnahme zu stark störenden Artefakten in Form von senkrechten Riefen, die an einen Falten werfenden Vorhang erinnern („Curtaining-Effect“).
Aufgabe wird sein, einen bereits bestehenden Algorithmus zu implementieren, der die durch den „Curtaining-Effect“ verursachten Bildartefakte korrigiert ohne dabei die Information des Bildes zu verändern.