VIKOOB: Visuelle Kontextinformation zur Optimierung der Beatmungstherapie (BMWi)
VIKOOB ist Anwendungsprojekt des norddeutschen Forschungsverbandes zum Aufbau eines KI-Space für intelligente Gesundheitssysteme (KI-SIGS), einem Gewinner des Innovationswettbewerbs „Künstliche Intelligenz“ des Bundesministeriums für Wirtschaft (BMWi). Zum Aufbau des KI-Space gehört die Entwicklung und Aufbau einer KI-Plattform, die Definition und Umsetzung einer F&E Roadmap und die KI-Ertüchtigung der norddeutschen Gesundheitswirtschaft. Als Anwendungsprojekt wird VIKOOB die Vorteile einer Nutzung des KI-Space aufzeigen und den Aufbau aktiv mitgestalten.
Das Ziel von VIKOOB ist die verbesserte Nutzung multimodaler Sensordaten in der Beatmungstherapie durch das Zusammenspiel visuell extrahierter Kontextinformation (aus Multikamera-Tiefenbildern), Zeitreihen der Vitalparameter und fortschrittlichen KI-Algorithmen (Deep-Learning und probabilistische Modelle). Dadurch sollen umfassende Patientenbeurteilungen (z.B. bezüglich Stress, Körperlage etc.) und potenziell neue diagnostische/therapeutische Anwendungen ermöglicht werden.
Das Institut für Medizinische Informatik (IMI) wird dabei insbesondere die methodische Entwicklung der KI-Algorithmen (tiefe Faltungsnetzwerke zur Featureextraktion aus den Multikamera-Tiefenbildern) zur Patienten-Kontextanalyse vorantreiben. Die Methoden werden sowohl auf Labordaten als auch auf klinischen Datensätzen (in Kooperation mit der Intensivmedizin des Universitätsklinikums Hamburg-Eppendorf (UKE)) trainiert und evaluiert. In Zusammenarbeit mit dem Institut für Medizinische Elektrotechnik (IME) und dem Medizingerätehersteller Dräger entsteht ein Prototyp zur verbesserten Patienten-Beurteilung/Behandlung in der Beatmungstherapie.
BMWi Projekt Förderung (2020-2023) 930’000€ (UzL: 264’000€ , IMI: 132’000€)
Ausgewählte Publikationen
- Hansen L., Siebert M., Diesel J., Heinrich M.P.
Fusing Information from Multiple 2D Depth Cameras for 3D Human Pose Estimation in the Operating Room
International Journal of Computer Assisted Radiology and Surgery (IJCARS, 2019)
- Bockelmann N., Graßhoff J., Hansen L., Bellani G., Heinrich M.P., Rostalski P.
Deep Learning for Prediction of Diaphragm Activity from the Surface Electromyogram
Current Directions in Biomedical Engineering (2019)
- Forschung
- KI und Deep Learning in der Medizin
- Medizinische Bildverarbeitung und VR-Simulation
- Integration und Nutzbarmachung von medizinischen Daten
- Sensordatenanalyse für assistive Gesundheitstechnologien
- AG Medical Image Computing and Artificial Intelligence
- AG Medical Data Science
- AG Medical Deep Learning
- AG Medical Data Engineering
- Nachwuchsgruppe Diagnostik und Erforschung von Bewegungsstörungen
Ansprechpartner
Mattias Heinrich
Professor
Gebäude MFC2, 4.OG
mattias.heinrich(at)uni-luebeck.de
+49 451 3101 5602