[Stellenangebote] Wissenschaftlicher Mitarbeiter Deep Learning, Charite, Klinik fuer Radiologie

[Genske, Ulrich]

Programmierung – Evaluation und Optimierung von Deep Learning Netzwerken zur Klassifikation von Lebertumoren in klinischen Computertomographie (CT)-Bildern


Klinik für Radiologie – Charité Universitätsmedizin Berlin


Deep learning (DL) basierte Tools haben hohes Potenzial, radiologische Befundungsaufgaben zu automatisieren und präzisere Diagnosen zu ermöglichen. DL-Netzwerke wurden u.a. entwickelt zur Detektion, Segmentierung, Klassifikation und quantitativen Analyse von Tumoren in Computertomographie (CT)-Bildern. Eine wichtige Herausforderung besteht aktuell darin, die zuverlässige Funktion von DL-Tools in der klinischen Anwendung sicherzustellen. Hierzu ist es notwendig, 1) ein besseres Verständnis für die Einflüsse von klinischer CT-Bildqualität auf die Robustheit von DL-Tools zu entwickeln, 2) Methoden zur Qualitätssicherung von DL in der klinischen Anwendung zu etablieren und 3) die Robustheit von DL-Netzwerken gegenüber Qualitätsschwankungen von klinischen CT-Bildern zu verbessern.

An der Klinik für Radiologie der Charité wurden Verfahren entwickelt, um Phantome herzustellen, die Anatomie und Pathologie des Menschen äußerst realistisch simulieren. Die Phantome bieten einzigartige Möglichkeiten, umfangreiche Datensätze zu erstellen, die die Einflüsse von klinischer Bildgebung auf die DL-Netzwerkperformance systematisch erfassen. In verschiedenen Projekten wurde auf dieser Grundlage bereits die Performance von DL-Netzwerken zur Detektion und Segmentierung von Leberraumforderungen und die Robustheit von quantitativen Tumormerkmalen gegenüber Einflüssen von klinischer Bildgebung untersucht. Diese Arbeiten sollen nun erweitert werden auf verschiedene Klassifikationsaufgaben. Die Arbeiten werden zunächst anhand von Leberraumforderungen erfolgen und dann schrittweise auf andere Organe übertragen werden.

Die Arbeiten finden an der Klinik für Radiologie der Charité statt und greifen auf umfangreiche Expertise in der Verarbeitung von radiologischen Bilddaten, Phantomherstellung, CT-Bildgebung, Bildqualitätsbewertung und Evaluation von DL-Netzwerken zurück. Nach einer Einarbeitungsphase sollen zunächst bestehende Netzwerkarchitekturen für Klassifikationsaufgaben in CT-Bildern von Lebertumoren evaluiert werden. Darauf aufbauend werden anhand von Phantomdaten Einflüsse von klinischer Bildgebung auf die Netzwerkperformance bewertet und die Netzwerkarchitektur weiterentwickelt. Die Arbeiten finden in enger Zusammenarbeit mit Radiologen*innen und Informatikern statt. Die Ergebnisse sollen als wissenschaftliche Veröffentlichungen publiziert werden.


Dein Profil

  *   Studium der Informatik oder eines verwandten Studiengangs (z.B. Mathematik, Bioinformatik, Statistik, vorzugsweise Master-, mindestens Bachelor-Abschluss)

  *   Erfahrung im Bereich Machine Learning (insbesondere Deep Learning)

  *   Solide Programmiererfahrung (vorzugsweise gute Python Kenntnisse)

  *   Gutes mathematisches Verständnis und Interesse an der Arbeit mit medizinischen Bilddaten im DICOM-Format und Deep learning Anwendungen

  *   Kreativität, gute Kommunikationsfähigkeiten sowie selbständige und strukturierte Arbeitsweise


Aufgaben

  *   Einarbeiten in den Entwicklungs- und Forschungsstand zu DL-Netzwerken in der Analyse von Oberbauch-CT-Datensätzen

  *   Verarbeitung und Manipulation von DICOM-Bildern

  *   Training, Evaluation und Optimierung von DL-Netzwerken

  *   Literaturrecherche, Manuskripterstellung

  *   Gute Englischkenntnisse in Wort und Schrift


Umgebung

Die Arbeiten finden in einem interdisziplinären Team aus Radiologen, Informatikern, Chemikern, Maschinenbauern und Medizinphysikern an der Klinik für Radiologie der Charité statt. Die Ergebnisse sollen in peer reviewed journals publiziert werden. Die Arbeiten können mit einem wissenschaftlichen Abschluss (Promotion) verbunden werden. Die Bezahlung erfolgt gemäß TvöD.


Bewerbung

Bitte schick Deine Bewerbung inkl. CV an paul.jahnke at charite.de<mailto:paul.jahnke at charite.de>.

Dr. Paul Jahnke, Klinik für Radiologie ,Charité Universtätsmedizin Berlin ,Charitéplatz 1, 10117 Berlin



English version see below.


Programming - Evaluation and optimization of deep learning networks for classification of liver tumors in clinical computed tomography (CT)-images


Clinic for Radiology – Charité Universitätsmedizin Berlin


Deep learning (DL) based tools have high potential to automate radiological reporting tasks and enable more accurate diagnoses. DL networks have been developed for detection, segmentation, classification, and quantitative analysis of tumors in computed tomography (CT) images, among others. Currently, an important challenge is to ensure the reliable functioning of DL tools in clinical applications. For this purpose, it is necessary to 1) develop a better understanding of the influences of clinical CT image quality on the robustness of DL tools, 2) establish methods for quality assurance of DL in clinical application, and 3) improve the robustness of DL networks against quality variations of clinical CT images.

At the Charité Department of Radiology, methods have been developed to produce phantoms that simulate human anatomy and pathology in an extremely realistic manner. The phantoms offer unique opportunities to create comprehensive data sets that systematically capture the influences of clinical imaging on DL network performance. Several projects have used this approach as a basis to investigate the performance of DL networks for the detection and segmentation of hepatic lesions. Furthermore the robustness of quantitative tumor features regarding the influences of clinical imaging has been investigated. This work will now be extended to various classification tasks. The work will initially be based on hepatic lesions and will then be progressively applied to other organs.

The work will take place at the Department of Radiology of the Charité and will draw on extensive expertise in radiological image data processing, phantom production, CT imaging, image quality assessment and evaluation of DL networks. After a familiarization phase, existing network architectures will first be evaluated for classification tasks in CT images of liver tumors. Based on this, influences of clinical imaging on network performance will be evaluated using phantom data and the network architecture will be further developed. The work will be performed in close collaboration with radiologists and computer scientists. The results will be published as scientific papers.


Your Profile

  *   Degree in computer science or related field (e.g. mathematics, bioinformatics, statistics, Master's degree preferred, Bachelor's degree minimum)

  *   Experience in machine learning (especially deep learning)

  *   Solid programming experience (preferably good Python skills)

  *   Good mathematical understanding and interest in working with medical image data in DICOM format and Deep learning applications

  *   Creativity, good communication skills as well as an independent and structured way of working


Your Tasks

  *   Familiarization with the state of development and research on DL networks in the analysis of upper abdominal CT datasets.

  *   Processing and manipulation of DICOM images

  *   Training, evaluation and optimization of DL networks

  *   Literature research, manuscript preparation

  *   Good command of written and spoken English


Work Environment

The work will take place in an interdisciplinary team of radiologists, computer scientists, chemists, mechanical engineers and medical physicists at the Charité Clinic for Radiology. The results are to be published in peer reviewed journals. The work can be combined with a scientific degree (doctorate). Payment is according to TvöD.


Application

Please send your application including CV to paul.jahnke at charite.de<mailto:paul.jahnke at charite.de>.

Dr. Paul Jahnke, Klinik für Radiologie ,Charité Universtätsmedizin Berlin ,Charitéplatz 1, 10117 Berlin