Other Projects

Due to Europe's ageing society, there has been a dramatic increase in the occurrence of osteoporosis (OP) and related diseases. Sufferers have an impaired quality of life, and there is a considerable cost to society associated with the consequent loss of productivity and injuries. The current understanding of this disease needs to be revolutionized, but study has been hampered by a lack of means to properly characterize bone structure, remodeling dynamics and vascular activity. This project, 4D nanoSCOPE, will develop tools and techniques to permit time-resolved imaging and characterization of bone in three spatial dimensions (both in vitro and in vivo), thereby permitting monitoring of bone remodeling and revolutionizing the understanding of bone morphology and its function.

To advance the field, in vivo high-resolution studies of living bone are essential, but existing techniques are not capable of this. By combining state-of-the art image processing software with innovative 'precision learning' software methods to compensate for artefacts (due e.g. to the subject breathing or twitching), and innovative X-ray microscope hardware which together will greatly speed up image acquisition (aim is a factor of 100), the project will enable in vivo X-ray microscopy studies of small animals (mice) for the first time. The time series of three-dimensional X-ray images will be complemented by correlative microscopy and spectroscopy techniques (with new software) to thoroughly characterize (serial) bone sections ex vivo.

The resulting three-dimensional datasets combining structure, chemical composition, transport velocities and local strength will be used by the PIs and international collaborators to study the dynamics of bone microstructure. This will be the first time that this has been possible in living creatures, enabling an assessment of the effects on bone of age, hormones, inflammation and treatment.

Zur Bewertung von Sprechstörungen von Patienten mit Lippen-Kiefer-Gaumenspalten fehlen bisher objektive, validierte und einfache Verfahren. Im klinischen Alltag werden Lautbildungsstörungen bisher üblicherweise durch eine subjektive, auditive Bewertung erfasst. Diese ist für die klinische und v.a. wissenschaftliche Nutzung nur bedingt geeignet. Die automatische Sprachanalyse, wie sie für Spracherkennungssysteme genutzt wird, hat sich bereits bei Stimmstörungen als objektive Methode der globalen Bewertung erwiesen, nämlich zur Quantifizierung der Verständlichkeit. Dies ließ sich in Vorarbeiten auch auf Sprachaufnahmen von Kindern mit Lippen-Kiefer-Gaumenspalten übertragen. In dem vorliegenden Projekt wird ein Verfahren zur automatischen Unterscheidung und Quantifizierung verschiedener typischer Lautbildungsstörung wie Hypernasalität, Verlagerung der Artikulation und Veränderung der Artikulationsspannung bei Kindern und Jugendlichen mit Lippen-Kiefer-Gaumenspalten entwickelt und validiert. Dies stellt die Basis für die Ermittlung ihres Einflusses auf die Verständlichkeit sowie zur Erfassung der Ergebnisqualität verschiedener therapeutischer Konzepte dar.

AUWL (Automatisches webbasiertes Lerner-Feedback-System) ist der Nachfolger des Forschungsprojekts C-AuDiT, mit den Beteiligten digital publishing und FAU. Ziel ist die Entwicklung von Methoden für Aussprache- und Dialogtraining für das Fremdsprachenlernen am Beispiel von Englisch als Fremdsprache. Den Lernern wird ein dialogue of the day präsentiert, bei dem man die unterschiedlichen Rollen einnehmen und üben kann, indem man z.B. die Äußerung eines Tutors nachspricht (parroting) oder mitspricht (shadowing). Die Aussprache der Lerner wird automatisch bewertet, und das Ergebnis an die Lerner zurückgemeldet. Neben der Entwicklung neuer Methoden zur Aussprachebewertung liegt der zweite Forschungsschwerpunkt darauf, wie geeignetes feedback automatisch erstellt werden kann, das auf die speziellen Befürfnisse und Probleme des Lerners eingeht.

Die alternde Gesellschaft und die damit verbundene demographische Entwicklung stellen eine der größten Herausforderungen des 21. Jahrhunderts dar. Um die daraus entstehenden Probleme zu meistern, besteht unmittelbarer Handlungsbedarf für Wirtschaft, Politik und Wissenschaft. Im von der Bayerischen Forschungsstiftung geförderten Verbund »FitForAge« ist es gelungen, ein Team von hochmotivierten und kompetenten Partnern aus Industrie, Forschung und Universitäten zu bündeln. Ziel des Forschungsverbundes ist es, technische Lösungsansätze zu finden, die den alternden Menschen in Wohnung und Haus, im Arbeitsleben wie in der Kommunikation mit der Umwelt und im Verkehr ein aktives und bezahlbares Leben erhalten, auch wenn das durchschnittliche Alter der Bevölkerung weiter zu- und gleichzeitig die Zahl der arbeitsfähigen, jüngeren Menschen abnimmt. Letztendlich sollen nicht nur ältere Menschen, sondern alle Altersgruppen der Gesellschaft von den Lösungen profitieren. Im Forschungsverbund werden konkrete Ergebnisse, aber auch ein Instrumentarium an Methoden angestrebt, das über die realisierten Lösungen und Nutzerkreise hinaus Anwendung finden kann.

From Micro To Macro: Multiscale Multimodal Data Analysis for Breast Cancer Research

The project examines the use and further development of machine learning methods for MR image reconstruction and for the classification of liver lesions. Based on a comparison model and data-driven image reconstruction methods, these are to be systematically linked in order to enable high acceleration without sacrificing diagnostic value. In addition to the design of suitable networks, research should also be carried out to determine whether metadata (e.g. age of the patient) can be incorporated into the reconstruction. Furthermore, suitable classification algorithms on an image basis are to be developed and the potential of direct classification on the raw data is to be explored. In the long term, intelligent MR diagnostics can significantly increase the efficiency of use of MR hardware, guarantee better patient care and set new impulses in medical technology.

Optical coherence tomography (OCT) is a non-invasive 3-D optical imagingmodality that is a standard of care in ophthalmology [1,2]. Since the introduction of Fourier-domain OCT [3], dramatic increases in imaging speedbecame possible, enabling 3-D volumetric data to be acquired. Typically, aregion of the retina is scanned line by line, where each scanned lineacquires a cross-sectional image or a B-scan. Since B-scans are acquiredin milliseconds, slices extracted along a scan line, or the fast scanaxis, are barely affected by motion. In contrast, slices extractedorthogonally to scan lines, i. e. in slow scan direction, areaffected by various types of eye motion occurring throughout the full,multi-second volume acquisition time. The most relevant types of eyemovements during acquisition are (micro-)saccades, which can introducediscontinuities or gaps between B-scans, and slow drifts, which causesmall, slowly changing distortion [4]. Additional eye motion is caused by pulsatile blood flow,respiration and head motion. Despite ongoing advances in instrumentscanning speed [5,6] typical volume acquisition times havenot decreased. Instead, the additional scanning speed is used for densevolumetric scanning or wider fields of view [7]. OCT angiography (OCTA) [8–11] multiplies therequired number of scans by at least two, and even more scans are neededto accommodate recent developments in blood flow speed estimation whichare based on multiple interscan times [12,13]. As a consequence,there is an ongoing need for improvement in motion compensation especiallyin pathology [14–16].

We develop novel methods for retrospective motion correction of OCT volume scans of the anterior and posterior eye, and widefield imaging. Our algorithms are clinically usable due to their suitability for patients with limited fixation capabilities and increased amount of motion, due to their fast processing speed, and their high accuracy, both in terms of alignment and motion correction. By merging multiple accurately aligned scans, image quality can be increased substantially, enabling the inspection of novel features.

Research project in cooperation with Siemens Healthineers, Erlangen

Magnetic Resonance Imaging (MRI) is an important but complex imaging modality in current radiology. Artificial intelligence (AI) can play an important role for acclerating MR sequence acquisition as well as supporting image interpretation and diagnosis. However, there are also opportunities besides image acquisition and interpretation for which AI can play a vital role to optimze the clinical workflow and decrease costs. 

Automated Protocoling

One critical workflow step for an MRI exam is protocoling, i.e., selecting an adequate imaging protocol under consideration of the ordered procedure, clinical indication, and medical history. Due to the complexity of MRI exams and the heterogeneity of MR protocols, this is a nontrivial task. The aim of this project is to analyze and quantify challenges complicating a robust approach for automated protocoling, and propose solutions to these challenges.

Automated Billing

Moreover, reporting and documentation is a crucial step in the radiology workflow. We have therefore automated the selection of billing codes from modality log data for an MRI exam. Integrated into the clinical environment, this work has the potential to free the technologist from a non-value adding administrative task, enhance the MRI workflow, and prevent coding errors.

Research project in cooperation with Siemens Healthineers, Erlangen

A Magnetic Resonance Imaging (MRI) exam typically consists of several MR pulse sequences that yield different image contrasts. Each pulse sequence is parameterized through multiple acquisition parameters that influence MR image contrast, signal-to-noise ratio, acquisition time, and/or resolution.

Depending on the clinical indication, different contrasts are required by the radiologist to make a reliable diagnosis. This complexity leads to high variations of sequence parameterizations across different sites and scanners, impacting MR protocoling, AI training, and image acquisition.

MR Image Synthesis

The aim of this project is to develop a deep learning-based approach to generate synthetic MR images conditioned on various acquisition parameters (repetition time, echo time, image orientation). This work can support radiologists and technologists during the parameterization of MR sequences by previewing the yielded MR contrast, can serve as a valuable tool for radiology training, and can be used for customized data generation to support AI training.

MR Image-to-Image Translations

As MR acquisition time is expensive, and re-scans due to motion corruption or a premature scan end for claustrophobic patients may be necessary, a method to synthesize missing or corrupted MR image contrasts from existing MR images is required. Thus, this project aims to develop an MR contrast-aware image-to-image translation method, enabling us to synthesize missing or corrupted MR images with adjustable image contrast. Additionally, it can be used as an advanced data augmentation technique to synthesize different contrasts for the training of AI applications in MRI.

MASCARA zielt auf eine detaillierte, molekulare Charakterisierung der Remission bei Arthritis ab. Das Projekt basiert auf der kombinierten klinischen und technischen Erfahrung von Rheumatologen, Radiologen, Medizinphysikern, Nuklearmedizinern, Gastroenterologen, grundlagenwissenschaftlichen Biologen und Informatikern und verbindet fünf akademische Fachzentren in Deutschland. Das Projekt adressiert 1) den Umstand der zunehmenden Zahl von Arthritis Patienten in Remission, 2) die Herausforderungen, eine effektive Unterdrückung der Entzündung von einer Heilung zu unterscheiden und 3) das begrenzte Wissen über die Gewebeveränderungen in den Gelenken von Patienten mit Arthritis. MASCARA wird auf der Grundlage vorläufiger Daten vier wichtige mechanistische Bereiche (immunstoffwechselbedingte Veränderungen, mesenchymale Gewebereaktionen, residente Immunzellen und Schutzfunktion des Darms) untersuchen, die gemeinsam den molekularen Zustand der Remission bestimmen. Das Projekt zielt auf die Sammlung von Synovialbiopsien und die anschließende Gewebeanalyse bei Patienten mit aktiver Arthritis und Patienten in Remission ab. Die Gewebeanalysen umfassen (Einzelzell)-mRNA-Sequenzierung, Massenzytometrie sowie die Messung von Immunmetaboliten und werden durch molekulare Bildgebungsverfahren wie CEST-MRT und FAPI-PET ergänzt. Sämtliche Daten, die in dem Vorhaben generiert werden, werden in einem bereits bestehenden Datenbanksystem mit den Daten der anderen Partner zusammengeführt und gespeichert. Das Zusammenführen der Daten soll – mit Hilfe von maschinellem Lernen – krankheitsspezifische und mit der Krankheitsaktivität verbundene Mustermatrizen identifizieren.

Our senses are gateways to the past. Although museums are slowly discovering the power of multi-sensory presentations, we lack the scientific standards, tools and data to identify, consolidate, and promote the wide-ranging role of scents and smelling in our cultural heritage. In recent years, European cultural heritage institutions have invested heavily in large-scale digitization. A wealth of object, text and image data that can be analysed using computer science techniques now exists. However, the potential olfactory descriptions, experiences, and memories that they contain remain unexplored. We recognize this as both a challenge and an opportunity. Odeuropa will apply state-of-the-art AI techniques to text and image datasets that span four centuries of European history. It will identify the vocabularies, spaces, events, practices, and emotions associated with smells and smelling. The project will curate this multi-modal information, following semantic web standards, and store the enriched data in a ‘European Olfactory Knowledge Graph’ (EOKG). We will use this data to identify ‘storylines’, informed by cultural history and heritage research, and share these with different audiences in different formats: through demonstrators, an online catalogue, toolkits and training documentation describing best-practices in olfactory museology. New, evidence-based methodologies will quantify the impact of multisensory visitor engagement. This data will support the implementation of policy recommendations for recognising, promoting, presenting and digitally preserving olfactory heritage. These activities will realize Odeuropa’s main goal: to show that smells and smelling are important and viable means for consolidating and promoting Europe’s tangible and intangible cultural heritage.

Um ihre Angehörigen bei der Veröffentlichung von Open-Access-Zeitschriftenartikeln zu unterstützen, möchte die Universität Erlangen-Nürnberg einen Publikationsfonds etablieren. über die Anschubfinanzierung der DFG soll so eine verlässliche Struktur zur Finanzierung von Publikationskosten geschaffen werden. Aus dem Fonds können Gebühren für die Veröffentlichung von Artikeln in originären, qualitätsgeprüften Open-Access-Zeitschriften übernommen werden. Begleitende Maßnahmen im organisatorischen, technischen und rechtlichen Bereich stellen sicher, dass Wissenschaftler und Wissenschaftlerinnen ein wirklicher Service für die Bereitstellung ihrer Forschungsergebnisse im Open Access geboten wird.