Kliniken & Institute … Kliniken Neurologische Klinik … Neuroradiologie Über uns Sektionen Sektion Computational…

Sektion Computational Neuroimaging

Die Sektion Computational Neuroimaging konzentriert sich auf die Entwicklung und Anwendung künstlicher Intelligenz (KI) in der medizinischen Bildgebung. Hierbei handelt es sich um es sich um eines der spannendsten Forschungsgebiete in der Medizin, da KI dabei unterstützen könnte die Genauigkeit bei der Erkennung, Diagnose und Behandlung von Krankheiten zu verbessern. Unsere Forschung an der Schnittstelle von Medizin und Informatik hat einen starken translationalen Charakter und zielt darauf ab klinische Beobachtungen in überprüfbare Forschungshypothesen zu verwandeln und Forschungsergebnisse – unter Verwendung modernster Technologien wie Machine- und Deep-Learning – in wissenschaftliche Fortschritte umsetzen.

Der besondere Schwerpunkte unserer Forschung liegt in der Entwicklung und Anwendung von KI im Bereich der neuroradiologischen Bildgebung. Neben der Entwicklung von KI-basierten Methoden zur quantitativen Beurteilung der Krankheitslast und Wirksamkeit von Medikamenten bei Patienten mit Hirntumoren oder Multipler Sklerose wurden Verfahren zur automatisierten Hochdurchsatzanalyse medizinischer Bilddaten (Radiomics) entwickelt und deren zukünftiges Potenzial bereits in verschiedenen Aspekten der Neuroonkologie für die prädiktive Modellierung demonstriert. Durch die Integration unserer Entwicklung in die am weitest verbreitete Informatikplattform für bildgebende Forschung (www.xnat.org) und durch die Open-Source-Veröffentlich unserer Entwicklungen (www.neuroAI-HD.org) ebnen wir den Weg für eine breite zukünftige Anwendung. Laufende und zukünftige Forschungsprojekte konzentrieren sich auf (a) die klinische Validierung unserer Entwicklungen, (b) die Identifizierung spezifischer nicht-invasiver Surrogatparameter für charakteristische molekulare Veränderungen bzw. Subtypen bei Hirntumoren, das Konzept der "virtuellen Biopsie", um molekular gesteuerte Behandlungsentscheidungen zu verfeinern, (c) die Anwendung der KI für die bildbasierte prädiktive Modellierung bei Patienten mit Schlaganfall oder Multipler Sklerose, sowie (d) die Entwicklung von „explainable AI“, einem neuen Teilbereich der KI, der zu verstehen versucht, wie KI-Modelle ihre Entscheidung generieren.

Einsatz der automatisierten volumetrischen Quantifizierung der Tumorlast auf der Grundlage von KI, um zukünftig eine standardisierte sowie reproduzierbare Beurteilung des Therapieansprechens bei Patienten mit Hirntumoren zu ermöglichen (siehe Kickingereder et al. Lancet Oncol 2019 sowie www.neuroAI-HD.org).
Etablierter Workflow zur automatisierten Verarbeitung und Analyse von MRT-Bilddaten und Beurteilung des Therapieansprechens bei Patienten mit Hirntumoren (siehe Kickingereder et al. Lancet Oncol 2019).
Schematische Illustration zur Anwendung von Machine bzw. Deep-Learning Algorithmen um KI-basierte Vorhersagemodelle basierend auf radiologischen Bilddaten zu generieren.
Automatisierte volumetrische Quantifizierung der Läsionslast zur standardisierten sowie reproduzierbaren Beurteilung des Therapieansprechens bei Patienten mit Multipler Sklerose (siehe Brugnara et al. Eur Radiol 2020).

Unser Team

Sektionsleiter

  • PD Dr. med. Philipp Vollmuth (geb. Kickingereder)

    MBA


Doktoranden/-innen

  • Miguel Angel Tejada Neyra

    (Doktorand Medizin)

  • Chandrakanth Jayachandran Preetha, M.Sc.

    (Medical Systems Engineering) – Doktorand Medizinische Informatik

  • Edwin Scholze

    (Doktorand Medizin)

Externe Kooperationen

  • European Organization for Research and Treatment of Cancer (EORTC), Brüssel
  • Deutsches Krebsforschungszentrum (DKFZ) (Abteilung Radiologie sowie Abteilung Medizinische Bildverarbeitung), Heidelberg
  • Martinos Center for Biomedical Imaging & Massachusetts General Hospital (Department of Radiology) & Brigham and Women's Hospital (Dep. of Radiology), Boston, USA
  • Cercare Medical, Aarhus, Dänemark

Förderungen und Auszeichnungen

Martha Foltyn:

  • seit 2020: Physician Scientist Fellowship der Medizinischen Fakultät Heidelberg

Philipp Kickingereder:

  • 2019: Gerhard-Domagk-Preis für Krebsforschung (finanziert durch die Stiftung von Gerhard Domagk, Nobelpreisträger für Physiologie oder Medizin 1939)
  • seit 2019: Projektleiter im Schwerpunktprogramm (SPP) 2177 „Radiomics: Next Generation of Biomedical Imaging” der Deutschen Forschungsgemeinschaft (DFG)
  • seit 2019: Projektleiter im Sonderforschungsbereich (SFB) 1389 „Understanding and targeting resistance in glioblastoma – UNITE GLIOBLASTOMA” der Deutschen Forschungsgemeinschaft (DFG) - www.unite-glioblastoma.de
  • 2018-2020: EUROSTARS Förderung (Co-Principal Investigator zusammen mit Cercare Medical) 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)
  • 2018-2019: 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)

Ulf Neuberger:

  • seit 2020: Physician Scientist Fellowship der Medizinischen Fakultät Heidelberg

Irada Pflüger:

  • seit 2020: Postdoc Stipendium des Heidelberger Forschungskollegs für Neuroonkologie (Else Kröner Research College for Young Physicians)

Publikationsverzeichnis

Ausgewählte Publikationen

  1. Schell M, Pflüger I, Brugnara G, Isensee F, Neuberger U, Foltyn M, Kessler T, Sahm F, Wick A, Nowosielski M, Heiland S, Weller M, Platten M, Maier-Hein KH, von Deimling A, van den Bent MJ, Gorlia T, Wick W, Bendszus M, Kickingereder P. Validation of diffusion MRI phenotypes for predicting response to bevacizumab in recurrent glioblastoma: post-hoc analysis of the EORTC-26101 trial. Neuro Oncol. 2020 May 11
  2. Brugnara G, Isensee F, Neuberger U, Bonekamp D, Petersen J, Diem R, Wildemann R, Heiland S, Wick W, Bendszus M, Maier-Hein KH, Kickingereder P. Automated volumetric assessment of multiple sclerosis disease burden and activity with artificial neural networks. Eur Radiol. 2020 Jan 3. [Epub ahead of print]
  3. 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
  4. Isensee F, Schell M, Pflueger I, Brugnara G, Bonekamp D, Neuberger U, Wick A, Schlemmer HP, Heiland S, Wick W, Bendszus M, Maier-Hein KH, Kickingereder P. Automated brain extraction of multi-sequence MRI using artificial neural networks. Hum Brain Mapp, 2019; 1-13.
  5. 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, Deimling AV, 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. Neuro Oncol. 2018 Oct 9;20(11):1517-1524.
  6. 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):1517-1524.
  7. 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.
  8. 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.
  9. 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.
  10. Kickingereder P, Sahm F, Radbruch A, Wick W, Heiland S, Deimling Av, 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. 

Pressemitteilungen

DE