Kliniken & Institute … Kliniken Neurologische Klinik … Neuroradiologie Forschung AG Computational…

AG Computational Neuroimaging

Die Arbeitsgruppe Computational Neuroimaging beschäftigt sich mit der Entwicklung von Methoden zur quantitativen computerbasierten Hochdurchsatzanalyse von medizinischen Bilddaten (Radiomics) sowie der darauf aufbauenden Identifizierung von Radiomics-Bildsignaturen (mittels maschinellen Lernverfahren) zur Beantwortung klinisch relevanter Fragestellungen sowie der Korrelation mit molekularen Parametern (Radiogenomics) in der Neuro-Onkologie. Ein weiterer Schwerpunkt liegt in der Entwicklung und Validierung von Deep-Learning Algorithmen zur  automatischen computerbasierten Detektion, Klassifikation und Annotation von bildgebenden Veränderungen (u.A. zur automatischen Segmentierung und quantitative Verlaufsbeurteilung von Hirntumoren sowie Multipler Sklerose aber auch Generierung von Deep-Learning basierende Prädiktionsmodelle bei Schlaganfall). Die Arbeitsgruppe hat einen starken translationalen Charakter und versteht sich als Bindeglied zwischen der MR-Grundlagenforschung, der Informatik, Biostatistik und der klinischen Anwendung.

Workflow der entwickelten vollautomatisierten Hochdurchsatzanalyse quantitativer Bildparameter (Radiomics) bestehend aus semi-automatischer Segmentierung der bildgebenden Pathologie, Bildregistrierung, MR-Intensitätsnormalisierung, Extraktion quantitativen Bildparameter (radiomic features) und darauf basierender Erstellung von Vorhersagemodellen mittels maschinellen Lernverfahren - analog zu Kickingereder et al. Neuro Oncol. 2017; Kickingereder et al. Clin Cancer Res. 2016; Kickingereder et al. Radiology. 2016)
Etablierter Workflow zur automatisierten Verarbeitung und Analyse von MRT-Bilddaten und Beurteilung des Therapieansprechens bei Patienten mit Hirntumoren (analog zu Kickingereder et al. Lancet Oncol 2019) – siehe auch https://bit.ly/2Jyu9TS

Forschungsschwerpunkt

  • Radiomics
  • Radiogenomics
  • Machine-Learning
  • Deep-Learning
  • Imaging Biomarkers
  • Predictive Modeling

Unser Team

Leitung

Prof. Dr. Martin Bendszus

Ärztlicher Direktor (Neuroradiologie)


Dr. med. Philipp Kickingereder

Facharzt (Neuroradiologie)

MBA


Team

Gianluca Brugnara

Assistenzarzt (Neuroradiologie)

Martha Foltyn

Assistenzärztin (Neuroradiologie)


Dr. med. Ulf Neuberger

Assistenzarzt (Neuroradiologie)


Marianne Schell

Assistenzarzt (Neuroradiologie)


Dr. med. Irada Pflüger

Assistenzarzt (Neuroradiologie)


06221 56-7566

Externe Kooperationen

  • European Organization for Research and Treatment of Cancer (EORTC)
  • Deutsches Krebsforschungszentrum (DKFZ), Heidelberg (Abteilung Radiologie sowie Medizinische Bildverarbeitung)
  • Aarhus University, Aarhus, Dänemark (Center of Functionally Integrative Neuroscience)
  • Athinoula A. Martinos Center for Biomedical Imaging at Massachusetts General Hospital, Boston, MA, USA
  • University of Pennsylvania, Philadelphia, PA, USA (Penn Statistical Imaging and Visualization Endeavor)

Förderungen & Auszeichnungen

  • seit 2019: Projektleiter für „Radiomics, Radiogenomics and Deep-Learning in Neuro-Oncology“ im Sonderforschungsbereich (SFB) 1389 „Understanding and targeting resistance in glioblastoma – UNITE GLIOBLASTOMA” der Deutschen Forschungsgemeinschaft (DFG)
  • seit 2018: EUROSTARS Förderung (Co-Principal Investigator zusammen mit Cercare Medical, Dänemark) durch die europäische Forschungsinitiative EUREKA und der Europäischen Kommission (www.eurostars-eureka.eu)
  • 2018: Heidelberg University / Massachusetts General Hospital pilot grant der Semaan Family Foundation
  • 2018: RADIOLOGY Editor's Recognition Award der Radiological Society of North America (RSNA)
  • 2018: Else Kröner Memorial Stipendium der Else Kröner Fresenius Stiftung
  • 2016: Physician Scientist Fellowship der Medizinischen Fakultät Heidelberg
  • 2016: Kurt-Decker-Preis der Deutschen Gesellschaft für Neuroradiologie (DGNR)
  • 2014: Marc-Dünzl-Preis der Deutschen Gesellschaft für Neuroradiologie (DGNR)

Ausgewählte Publikationen

  1. Kickingereder P, Isensee F, Tursunova I, Petersen J, Neuberger U, Bonekamp D, Brugnara G, Schell M, Kessler T, Foltyn M, Harting I, Sahm F, Prager M, Nowosielski M, Wick A, Nolden M, Radbruch A, Debus J, Schlemmer HP, Heiland S, Platten M, von Deimling A, van den Bent MJ, Gorlia T, Wick W, Bendszus M, Maier-Hein KH. Automated quantitative tumor response assessment of MRI in neuro-oncology with artificial neural networks: a multicenter, retrospective study. Lancet Oncol. 2019 May;20(5):728-740
  2. Tejada Neyra MA, Neuberger U, Reinhardt A, Brugnara G, Bonekamp D, Sill M, Wick A, Jones DTW, Radbruch A, Unterberg A, Debus J, Heiland S, Schlemmer HP, Herold-Mende C, Pfister S, von Deimling A, Wick W, Capper D, Bendszus M, Kickingereder P. Voxel-wise radiogenomic mapping of tumor location with key molecular alterations in patients with glioma. Neuro Oncol. 2018 Oct 9;20(11)
  3. Kickingereder P, Neuberger U, Bonekamp D, Piechotta PL, Götz M, Wick A, Sill M, Kratz A, Shinohara RT, Jones DTW, Radbruch A, Muschelli J, Unterberg A, Debus J, Schlemmer HP, Herold-Mende C, Pfister S, von Deimling A, Wick W, Capper D, Maier-Hein KH, Bendszus M: Radiomic subtyping improves disease stratification beyond key molecular, clinical and standard imaging characteristics in patients with glioblastoma. Kickingereder et al. Neuro Oncol. 2017 Sep 28. 
  4. Kickingereder P, Götz M, Muschelli J, Wick A, Neuberger U, Shinohara RT, Sill M, Nowosielski M, Schlemmer HP, Radbruch A, Wick W, Bendszus M, Maier-Hein KH, Bonekamp D. Large-scale Radiomic Profiling of Recurrent Glioblastoma Identifies an Imaging Predictor for Stratifying Anti-Angiogenic Treatment Response. Clin Cancer Res. 2016 Dec 1;22(23):5765-5771.
  5. Kickingereder P, Bonekamp D, Nowosielski M, Kratz A, Sill M, Burth S, Wick A, Eidel O, Schlemmer HP, Radbruch A, Debus J, Herold-Mende C, Unterberg A, Jones D, Pfister S, Wick W, von Deimling A, Bendszus M, Capper D. Radiogenomics of Glioblastoma: Machine Learning-based Classification of Molecular Characteristics by Using Multiparametric and Multiregional MR Imaging Features. Radiology. 2016 Dec;281(3):907-918.
  6. Kickingereder P, Burth S, Wick A, Götz M, Eidel O, Schlemmer HP, Maier-Hein KH, Wick W, Bendszus M, Radbruch A, Bonekamp D. Radiomic Profiling of Glioblastoma: Identifying an Imaging Predictor of Patient Survival with Improved Performance over Established Clinical and Radiologic Risk Models. Radiology. 2016 Sep;280(3):880-9. doi: 10.1148/radiol.2016160845.
  7. Bonekamp D, Mouridsen K, Radbruch A, Kurz FT, Eidel O, Wick A, Schlemmer HP, Wick W, Bendszus M, Østergaard L, Kickingereder P. Assessment of tumor oxygenation and its impact on treatment response in bevacizumab-treated recurrent glioblastoma. J Cereb Blood Flow Metab. 2017 Feb;37(2):485-494. doi: 10.1177/0271678X16630322.
  8. Kickingereder P, Radbruch A, Burth S, Wick A, Heiland S, Schlemmer HP, Wick W, Bendszus M, Bonekamp D. MR Perfusion-derived Hemodynamic Parametric Response Mapping of Bevacizumab Efficacy in Recurrent Glioblastoma. Radiology. 2016 May;279(2):542-52. doi: 10.1148/radiol.2015151172.
  9. Kickingereder P, Sahm F, Radbruch A, Wick W, Heiland S, von Deimling A, Bendszus M, Wiestler B. IDH mutation status is associated with a distinct hypoxia/angiogenesis transcriptome signature which is non-invasively predictable with rCBV imaging in human glioma. Sci Rep. 2015 Nov 5;5:16238. doi: 10.1038/srep16238.
  10. Kickingereder P, Wiestler B, Burth S, Wick A, Nowosielski M, Heiland S, Schlemmer HP, Wick W, Bendszus M, Radbruch A. Relative cerebral blood volume is a potential predictive imaging biomarker of bevacizumab efficacy in recurrent glioblastoma. Neuro Oncol. 2015 Aug;17(8):1139-47. doi: 10.1093/neuonc/nov028.
  11. Kickingereder P, Wiestler B, Sahm F, Heiland S, Roethke M, Schlemmer HP, Wick W, Bendszus M, Radbruch A. Primary central nervous system lymphoma and atypical glioblastoma: multiparametric differentiation by using diffusion-, perfusion-, and susceptibility-weighted MR imaging. Radiology. 2014 Sep;272(3):843-50. doi: 10.1148/radiol.14132740.