Ringvorlesung: Besonderheiten und Herausforderungen für Maschinelles Lernen in der intraoperativen Bildgebung
Besonderheiten und Herausforderungen für Maschinelles Lernen in der intraoperativen Bildgebung
Auf dem Weg zu Pr?zision und Intelligenz in dynamischen Umgebungen mit hoher Intensit?t
Vortrag auf Englisch
In den letzten zehn Jahren haben die rasanten Fortschritte im Bereich des Maschinellen Lernens (ML) verschiedene Bereiche revolutioniert und unser Leben erheblich beeinflusst. In diesem Vortrag werden wir in den Bereich der medizinischen Anwendungen eintauchen und die Herausforderungen und M?glichkeiten untersuchen, die mit der Integration dieser Spitzentechnologien in computergestützte Interventionen verbunden sind. Unser Hauptaugenmerk liegt dabei auf der F?rderung der Akzeptanz und des Vertrauens in ML und Robotikl?sungen im medizinischen Bereich, was oft den Weg über Intelligence Amplification (IA, "Intelligenz-Verst?rkung") erfordert. Mit Augmented Reality (AR) k?nnen wir IA nutzen, um die menschliche Intelligenz und Expertise zu erweitern, was letztlich den Weg für die nahtlose Integration von Künstlicher Intelligenz (KI) und Robotik in klinischen L?sungen ebnet.
Ausgehend von einigen bahnbrechenden Forschungsarbeiten, die am Lehrstuhl für Computer Aided Medical Procedures (computergestützte medizinische Verfahren) an der TU München und der Johns Hopkins University durchgeführt wurden, werde ich eine Reihe neuartiger Techniken vorstellen, die für die besonderen Anforderungen medizinischer Anwendungen entwickelt wurden. Insbesondere werden wir ihre praktischen Implementierungen in verschiedenen Bereichen untersuchen, darunter die robotergestützte Ultraschallbildgebung, die multimodale Datenanalyse und semantische Szenegraphen für die ganzheitliche Modellierung des chirurgischen Bereichs. Darüber hinaus werde ich überzeugende Beispiele dafür vorstellen, wie AR-L?sungen als Katalysator für die Einführung von KI in der computergestützten Chirurgie dienen k?nnen. Indem wir uns die Macht von IA zunutze machen, k?nnen wir das volle Potenzial von KI-Technologien freisetzen, die Akzeptanz f?rdern und die Zukunft computergestützter Eingriffe vorantreiben. Begleiten Sie mich auf dieser aufschlussreichen Reise durch die komplizierten ?berschneidungen von Maschinellem Lernen, medizinischem Fortschritt und dem Weg von der "Intelligenz-Verst?rkung" zur Künstlichen Intelligenz im Gesundheitswesen.
Zu Prof. Dr. Nassir Navab
Prof. Dr. Nassir Navab ist ordentlicher Professor und Direktor des Lehrstuhls für Computer Aided Medical Procedures (CAMP) an der Technischen Universit?t München (TUM) und au?erplanm??iger Professor an der Johns Hopkins Universit?t. Er ist auch Leiter der zweimal j?hrlich stattfindenden Medical Augmented Reality Vorlesungsreihe an der Balgrist Klinik in Zürich. Er ist Mitglied der Academia Europaea und erhielt 2021 den prestigetr?chtigen MICCAI Enduring Impact Award und 2015 den IEEE ISMAR 10 Years Lasting Impact Award. Im Jahr 2001, als er als angesehener technischer Mitarbeiter bei Siemens Corporate Research (SCR) in Princeton t?tig war, erhielt er die renommierte Siemens Inventor of the Year Auszeichnung für seine Arbeit auf dem Gebiet der Interventionellen Bildgebung. Au?erdem erhielt er den SMIT Technology Innovation Award im Jahr 2010 und wird im Jahr 2024 Medical AR Pioneer in der AWE XR Hall of Fame. Seine Studierenden haben viele Auszeichnungen für ihre Arbeiten erhalten, darunter 15 Auszeichnungen bei den renommierten MICCAI-Veranstaltungen, 5 bei IPCAI, 2 bei IPMI und 4 bei IEEE ISMAR. Er ist Fellow der MICCAI Society und war im Vorstand von 2007 bis 2012 und von 2014 bis 2017. Er ist au?erdem ein IEEE Fellow und Fellow der Asia-Pacific Artificial Intelligence Association (AAIA) und einer der Gründer des IEEE Symposium on Mixed and Augmented Reality (ISMAR) und ist seit 2001 Mitglied des Lenkungsausschusses seit 2001. Er ist ein Area Chair für ECCV 2024. Er ist Autor von Hunderten von wissenschaftlichen Arbeiten und über 100 erteilten US- und internationalen Patenten. Im April 2024 wurden seine Arbeiten über 76.600 Mal zitiert und haben einen h-Index von 117.