UnivIS
Informationssystem der Friedrich-Alexander-Universität Erlangen-Nürnberg © Config eG 
FAU Logo
  Sammlung/Stundenplan    Modulbelegung Home  |  Rechtliches  |  Kontakt  |  Hilfe    
Suche:      Semester:   
 Lehr-
veranstaltungen
   Personen/
Einrichtungen
   Räume   Forschungs-
bericht
   Publi-
kationen
   Internat.
Kontakte
   Examens-
arbeiten
   Telefon &
E-Mail
 
 
 Darstellung
 
Druckansicht

 
 
 Außerdem im UnivIS
 
Vorlesungs- und Modulverzeichnis nach Studiengängen

Vorlesungsverzeichnis

 
 
Veranstaltungskalender

Stellenangebote

Möbel-/Rechnerbörse

 
 
Einrichtungen >> Technische Fakultät (TF) >> Department Informatik (INF) >>
Lehrstuhl für Informatik 5 (Mustererkennung)
Anschrift: Martensstraße 3, 91058 Erlangen
Tel.:+49 9131 85 27775Fax:+49 9131 85 27270
E-Mail:cs5-info@lists.fau.de
www:http://www5.cs.fau.de

Der Lehrstuhl für Mustererkennung (LME) ist Teil des Department Informatik der Friedrich-Alexander-Universität Erlangen-Nürnberg. Von 1975, dem Gründungsjahr des Lehrstuhls, bis September 2005 war Prof. Dr.-Ing. Heinrich Niemann Lehrstuhlinhaber des LME. Im Oktober 2005 hat Prof. Dr.-Ing. Joachim Hornegger die Leitung des Lehrstuhls übernommen. Er wird seit April 2015 von Prof. Dr.-Ing. habil. Andreas Maier vertreten. Zum 1.4.2017 wurde die bisherige Gruppe Digitaler Sport (Prof. Björn Eskofier) in den neuen Lehrstuhl "Machine Learning and Data Analytics (MaD)" umgewandelt.
Das Ziel der Mustererkennung ist die Erforschung der mathematischen und technischen Aspekte der Perzeption von Umwelteindrücken durch digitale Rechensysteme. Die Umwelt wird dabei durch Sensoren erfasst - die gemessenen Werte bezeichnet man als Muster. Die automatische Transformation der gewonnenen Muster in symbolische Beschreibungen bildet den Kern der Mustererkennung. Die Mustererkennung befasst sich dabei mit allen Aspekten eines solchen Systems, von der Akquisition der Daten bis hin zur Repräsentation der Erkennungsergebnisse.
Die Anwendungsgebiete der Mustererkennung sind sehr breit gefächert und reichen von Industrieller Bildverarbeitung über Handschriftenerkennung, Medizinischer Bildverarbeitung, sprachverstehenden Systemen bis hin zu Problemlösungen in der Regelungstechnik. Die Forschungsaktivitäten am Lehrstuhl sind dabei meist interdisziplinär und auf medizinische oder gesundheitsbezogene Anwendungen fokussiert. Der Lehrstuhl hat enge Kooperationen mit Universitäten und anderen Forschungseinrichtungen oder Industriepartnern im In- und Ausland.

Der Lehrstuhl ist in mehrere Bereiche untergliedert, die zum 1.7.2017 neu strukturiert wurden:

Mustererkennung & Maschinelles Lernen

Mustererkennung befasst sich mit der automatischen Klassifikation und Analyse von Sensoreingangsdaten. In diesem Bereich haben wir folgende Arbeitsgruppen:

  • Sprachverarbeitung: In gemeinsamen Projekten mit der medizinischen Fakultät werden mit Hilfe automatischer Sprachanalyse der Grad und der Verlauf von Stimm- und Sprechstörungen untersucht, vowiegend bei neurologischen Erkrankungen, wie der Parkinson-Krankheit. Weitere Arbeitsbereiche sind digitale Sprachlern-Software und automatische Erkennung von Emotionen und Stress.

  • Rechnersehen: Diese Arbeitsgruppe beschäftigt sich mit grundlegenden Problemen bei der Erkennung von Strukturen in Bildern. Aktuelle Themenbereiche sind die Behandlung von Farbe und Reflexionsverhalten, die Erkennung von digitalen Bildfälschungen, multispektrale Bildgebung, Fahrerassistenzsysteme, 3D-Rekonstruktion auf Grundlage strukturierten Lichts und Kapselendoskopie.

  • Diskrete Optimierung: Multikriterielle Optimierung mit einem Schwerpunkt auf Zeitplanungsproblemen ist der Schwerpunkt dieser Gruppe. Einsatzbereiche sind z.B. die Schulstunden- oder Personaleinsatzplanung. Zur computerunterstützten Generierung von Zeitplänen wurde am Lehrstuhl eine Software entwickelt, die es ermöglicht, die Planung unter Zuhilfenahme verschiedener Optimierungsalgorithmen durchzuführen.

  • Bildanalyse: Das Arbeitsgebiet ist die Gewinnung von relevanter Information aus Bilddaten. Beispiele sind die Markierung spezifischer Strukturen in 2D- und 3D-Bildern, wie z.B. die Extraktion vom Seiten in CT-Scans von Büchern, die Detektion von Läsionen in Mammographiebildern oder die Segmentierung der Luftwege im Bereich der Lunge.

  • Bildsegmentierung: Medizinische Bildsegmentierung ist der Prozess der (halb-)automatischen Detektion von Grenzen zwischen Strukturen in 2D- oder 3D-Bildern. Eine wesentliche Schwierigkeit liegt dabei in der großen Variation innerhalb der Bilder, die wiederum zum großen Teil durch die Variation der menschlichen Anatomie verursacht wird.

  • Bildfusion: In enger Kooperation mit führenden klinischen und Industriepartnern entwickelt diese Gruppe neue Methoden für die starre und nichtstarre Datenregistrierung. Aktuelle Forschungsschwerpunkte sind multimodale Bildfusion, bildgestützte Therapie, 2D/3D-Bildregistrierung und "Image Overlay"-Probleme. Die zukünftige Anwendung in der Klinik wird bei der Entwicklung mit berücksichtigt.


Medizinische Bildverarbeitung

Der Forschungsbereich Medizinische Bildverarbeitung untersucht die Entstehung und Analyse von Bildern in der Medizin. Derzeit arbeiten diese Gruppen an solchen Themen:

  • Analytische Rekonstruktion und Konsistenz: Der Prozess der Bildgebung in der Computer-Tomographie kann mit einem Vorwärtsmodell, wie der Radon- oder Röntgentransformation beschrieben werden. Die analytische Rekonstruktion befasst sich mit ihrer Beschreibung und Umkehrung. Die Arbeitsgruppe entwirft dafür Algorithmen für Bewegungskompensation, Artefaktreduktion und 3D-Rekonstruktion.

  • Computer-Tomographie: Algebraische Rekonstruktion und Bewegung: Hauptarbeitsgebiete sind die algebraische Rekonstruktion und Bewegungskompensation, z.B. im Bereich der Volumenrekonstruktion der Herzkammern, des Stütz- und Bewegungsapparates, der Gehirnvolumenrekonstruktion bei Schlaganfalltherapien oder der Angiographie.

  • Magnetresonanz-Bildgebung: Rekonstruktion in der MR-Bildgebung ist das Arbeitsfeld dieser Gruppe. Aktuelle Projekte umfassen z.B. die Beschleunigung der Datenakquisition bei der Darstellung der Koronararterien inkl. Ausgleich der Atembewegungen, Dictionary-Learning Compressed-Sensing (DLCS) für 23Na-MR-Bildgebung und die automatische Analyse der Verteilung von Fettsäuren im Gewebe mittels MR-Daten.

  • Phasenkontrast-Bildgebung: Die Röntgengitter-Inferometrie findet Anwendung bei der Früherkennung von Krebs oder in der Angiographie. Sie ist kostengünstig und erlaubt den Einsatz geringer Strahlendosen. Die Phasenkontrast-Bildgebung verbessert den Kontrast in der Gewebedarstellung durch die Kombination der unterschiedlichen Ausgangssignale eines gängigen Röntgenapparates.

  • Ophthalmologische Bildgebung: Optische Kohärenztomografie (OCT) ist eine der wichtigsten Entwicklungen im Bereich der Retina-Bildgebung in den letzten Jahren. Forschungsschwerpunkte am Lehrstuhl sind die Verbesserung von Signalrekonstruktion und Bewegungskompensation sowie Visualisierungsprogramme und neuartige Analyse- und Segmentierungsmethoden.


"Big Data"-Anwendungen

Mit der schieren Menge an "Big Data" gibt es auch neue Möglichkeiten für Mustererkennung und maschinelles Lernen. Beispiele für sind tiefes Lernen (Deep Learning) und Präzisionslernen (Precision Learning), die von folgenden Gruppen schwerpunktmäßig bearbeitet werden:

  • Medizinische "Big Data": Der Fokus liegt auf der Kombination von multimodaler Bildgebung und klinischen Daten zur Verbesserung der klinischen Entscheidungsfindung. Themen aktueller Projekte sind die Identifikation maligner Tumorunterarten bei Brustkrebs und die Bestimmung von Korrelationen zwischen bildbasierten Merkmalen, genetischer Ausprägung und Krankheitsstadium.

  • Populationsmodellierung: Hierbei handelt es sich um die Modellierung von Variationen innerhalb einer großen Datenmenge, die von vielen Individuen erhoben wurde. Die dazu verwendeten Daten reichen von Röntgenbildern bis zu DECT- und SPECT-Daten, die kombiniert mit entsprechend aufbereitetem Wissen über anatomische Strukturen zu standardisierten Modellen für den klinischen Einsatz verarbeitet werden.

  • Enterprise Computing: Zum Themenbereich "Big Data" wird auch die Gruppe "Unternehmensinformatik" gezählt. Sie untersucht alle Bereiche von gewerblichen Rechneranwendungen, insbesondere verteilte Anwendungen zur Verarbeitung großer Datenmengen. Forschungsschwerpunkt ist der Mainframe und dazugehöroge Techniken, wie Transaktionsverarbeitung, Virtualisierung oder Web-Anwendungen mit besonderem Augenmerk auf dem Einsatz in Unternehmen und die Ausbildung der Benutzer.

Forschungsschwerpunkte

  • nicht-starre Registrierung multimodaler Bilddaten
  • monomodale Bildfusion zur Verlaufskontrolle bei der Tumor-Therapie

  • Verfahren zur Schwächungskorrektur bei der SPECT-Rekonstruktion

  • Rekonstruktion bewegter Objekte bei bekannter Projektionsgeometrie

  • Berechnung und Visualisierung des Blutflusses in 3D-Angiogrammen

  • Segmentierung von CT-Datensätzen

  • 3D-CT-Rekonstruktion

  • Bildverarbeitung für OCT-Angiografiesysteme

  • schnelle Bildverarbeitung auf Standardgrafikkarten

  • diskrete Tomographie

  • Beleuchtungs- und Reflexionsanalyse

  • Multispektrale Bildgebung

  • Bildforensik

  • Umgebungsanalyse für Fahrassistenzsysteme

  • Bildverarbeitung für Röntgen-Phasenkontrastaufnahmen

  • Aufbau-Optimierung

  • Quantitative MR-Bildgebungsverfahren

  • Bildgebung für Mammographie

  • automatisierte Bildqualitätsmessung

  • aktive unterstützende Systeme im Sport

  • Ermüdungserkennung

  • Mimik und Gestik

  • Sprachsteuerung interventioneller Werkzeuge

  • Bewertung von pathologischer Sprache

  • Aussprachebewertung

  • Prosodie

  • Dialogsysteme

  • Benutzerzustandserkennung (von Ärger über Müdigkeit bis Zögern)

  • Bildbasierte Dokumentenanalyse

Forschungsrelevante apparative Ausstattung

  • Head-Mounted Display mit integriertem Stereokamera-System
  • Time-of-Flight-Kamera

  • 3D-Monitore

  • 3D-Oberflächen-Scanner

  • Multispektrale Kamera

  • Biosignalrekorder

  • Graustufenkamera

  • GPU-Cluster

Aufgrund der engen Kooperation der Arbeitsgruppe mit den Kliniken und der Industrie besteht Zugriff auf sämtliche Modalitäten, die in der modernen Medizin heute zum Einsatz kommen. Die verfügbare Entwicklungsumgebung erlaubt die schnelle Überführung der neu entwickelten Methoden in den klinischen Test.

Kooperationsbeziehungen

Industriepartner:

Veröffentlichungsreihen

Die Veröffentlichungen des Lehrstuhls befinden sich auf der lehrstuhleigenen Homepage unter https://www5.cs.fau.de/publications .

Leitung
Prof. Dr.-Ing. habil. Andreas Maier

Lehrstuhlinhaber (beurlaubt)
Prof. Dr.-Ing. Joachim Hornegger

Emeritus
Prof. em. Dr.-Ing. Dr.-Ing. h.c. Heinrich Niemann
Prof. Dr.-Ing. Elmar Nöth

Sekretariat
Iris Koppe
Kristina Müller

Sekretariat Unternehmensinformatik
Alexandra Hauske

Leitung Computer Vision (CV)
Dr.-Ing. Vincent Christlein

Computer Vision (CV)
Dr.-Ing. Vincent Christlein
Sergiu Deitsch, M. Sc.
Nora Gourmelon, M. Sc.
Mathis Hoffmann, M. Sc.
Christian Jaremenko, M. Sc.
Franz Köferl, M. Sc.
Ronak Kosti, Ph.D.
Prathmesh Madhu, M. Sc.
Christian Marzahl, M. Sc.
Martin Mayr, M. Sc.
Patrick Mullan, M. Sc.
Anguelos Nicolaou
PD Dr.-Ing. Christian Riess
Franziska Schirrmacher, M. Sc.
Mathias Seuret, M. Sc.
Aline Sindel, M. Sc.
Aleksandra Thamm, M. Eng.
Moritz Venator, M. Sc.
Frauke Wilm, M. Sc.
Mathias Zinnen, B. Sc.

Leitung Computed Tomography: Algebraic Reconstruction and Motion (CTARM)
Bastian Bier, M. Sc.

Computed Tomography: Algebraic Reconstruction and Motion (CTARM)
Christoph Luckner, M. Sc.
Jennifer Maier, M. Sc.
Alexander Preuhs, M. Sc.
Stephan Seitz, M. Sc.
Dr.-Ing. Mathias Unberath

Analytic Reconstruction and Consistency (ARC; bis 31.10.2018)
Zijia Guo, M. Sc.
Leonid Mill, M. Sc.

Leitung Precision Learning (PL)
Dr.-Ing. Tobias Würfl

Precision Learning (PL)
Tristan Gottschalk, M. Sc.
Dr.-Ing. Yixing Huang
Farnaz Khun Jush, M. Sc.
Leonid Mill, M. Sc.
Mayank Patwari, M. Sc.
Bernhard Stimpel, M. Sc.
Christopher Syben, M. Sc.
Fabian Wagner, M. Sc.

Image Analysis (IMA)
Weilin Fu, M. Sc.
Viktor Haase, M. Sc.
Lennart Husvogt, M. Sc.
Yanye Lu, M. Sc.
Arpitha Ravi, M. Sc.
Julia Schottenhamml, M. Sc.

Magnetic Resonance Imaging (MRI)
Lukas Folle, M. Sc.
Fasil Gadjimuradov, M. Sc.
Elisabeth Hoppe, M. Sc.
Julian Hoßbach, M. Sc.
Andrzej Liebert, M. Sc.
Manuel Schneider, M. Sc.
Bernhard Stimpel, M. Sc.
Christopher Syben, M. Sc.
Matthias Utzschneider, M. Sc.
Zijin Yang, M. Sc.
Seung Su Yoon, M. Sc.

Leitung Image Fusion (IMF)
Tobias Geimer, M. Sc.

Image Fusion (IMF)
Siming Bayer, M. Sc.
Prof. Katharina Breininger
Tobias Geimer, M. Sc.
Stefan Ploner, M. Sc.

Leitung Inverse Problems and Applications (IPA)
Lina Felsner, M. Sc.

Inverse Problems and Applications (IPA)
Lina Felsner, M. Sc.
SeyedMohammad Jafari, M. Sc.
Noah Maul, M. Sc.
Mareike Thies, M. Sc.

Leitung Phase Contrast Imaging (PCI)
PD Dr.-Ing. Christian Riess

Phase Contrast Imaging (PCI)
Johannes Bopp, M. Sc.
Lina Felsner, M. Sc.
PD Dr.-Ing. Christian Riess

Leitung Population Modelling (PM)
Xia Zhong, M. Sc.

Population Modelling (PM)
Maximilian Reymann, M. Sc.
Philipp Roser, M. Sc.
Karthik Shetty, M. Sc.
Xia Zhong, M. Sc.

Sprachverarbeitung (SAGI)
Tomas Arias Vergara, M. Sc.
Dr. phil. Anton Batliner
Christian Bergler, M. Eng.
Carlos Ariel Ferrer-Riesgo, Ph.D.
PD Dr.-Ing. Tino Haderlein
Dipl.-Inf. Thomas Janu
Philipp Klumpp, M. Sc.
Prof. Dr.-Ing. Elmar Nöth
Hendrik Schröter, M. Sc.
Dipl.-Ing. Fadi Sindran
Martin Strauß, M. Sc.
Juan Camilo Vasquez Correa, M. Sc.

Leitung Multikriterielle Optimierung
Priv.-Doz. Dr.-Ing. habil. Peter Wilke, Akad. Dir.

Multikriterielle Optimierung
Dipl.-Inf. Johannes Ostler
Priv.-Doz. Dr.-Ing. habil. Peter Wilke, Akad. Dir.

Leitung Unternehmensinformatik
Priv.-Doz. Dr.-Ing. habil. Peter Wilke, Akad. Dir.

Unternehmensinformatik
Alexandra Hauske
Priv.-Doz. Dr.-Ing. habil. Peter Wilke, Akad. Dir.

Leitung Learning Approaches for Medical Big Data Analysis (LAMBDA)
Nishant Ravikumar, Ph.D.

Learning Approaches for Medical Big Data Analysis (LAMBDA)
Adarsh Bhandary Panambur, M. Sc.
Felix Denzinger, M. Sc.
Sebastian Gündel, M. Eng.
Oliver Haas, M. Sc.
Srikrishna Jaganathan, M. Sc.
Timo Klemm, M. Sc.
Florian Kordon, M. Sc.
Chang Liu, M. Sc.
Celia Martín Vicario, M. Sc.
Felix Meister, M. Sc.
Faezeh Nejati Hatamian, M. Sc.
Mathias Öttl, M. Sc.
Kai Packhäuser, M. Sc.
Leonhard Rist, M. Sc.
Luis Carlos Rivera Monroy, M. Sc.
Dalia Rodriguez Salas, M.Eng.
Dr.-Ing. Daniel Stromer
Florian Thamm, M. Sc.

Lehrbeauftragte
PD Dr. rer. nat. Björn Heismann
PD Dr. Markus Kowarschik
Dipl.-Inf. Johannes Ostler
Dr. Stefan Popescu
Dr. rer. biol. hum. Ludwig Ritschl
Dipl.-Ing. Tobias Zobel

Nichtwiss. Personal
Sven Grünke

Laufende und vor kurzem beendete Forschungsprojekte (aus dem Berichtszeitraum 1.1.2018-31.12.2018)

Ältere Forschungsprojekte

UnivIS ist ein Produkt der Config eG, Buckenhof