DAWs für effizientes Lernen anhand begrenzt annotierter Daten in der biomedizi-nischen Bildgebung (A05)

• Fachliche Zuordnung: Kognitive, systemische und Verhaltensneurobiologie ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik
• Förderung: Förderung seit 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 414984028

Das Ziel ist die Verbesserung von Infrastrukturen für maschinelles Lernen (ML)-lastige DAWs in aktuellen biomedizinischen Bildgebungsanwendungen. In Phase I lag der Fokus auf dem Aufbau eines Frameworks für die schnellere Entwicklung von DAWs auf Basis von Transfer Learning und Unsicherheitsquantifizierung. Da jedoch in den meisten Anwendungen weiterhin zu wenig hochwertig annotierte Daten vorliegen, werden wir uns in Phase II auf eine skalierbare DAW-Integration von selbstüberwachten Representation Learning-Techniken konzentrieren. Wir wer-den Methoden entwickeln, um die optimale Kombination von Bildgebungsmodalitäten und Re-presenation Learning zu bestimmen, die Anzahl der erforderlichen Annotationen zu schätzen und manuelle Annotationen interaktiv während des Trainings zu integrieren.

• DFG-Verfahren: Sonderforschungsbereiche
• Teilprojekt zu: SFB 1404: FONDA – Grundlagen von Workflows für die Analyse großer naturwissenschaftlicher Daten
• Antragstellende Institution: Humboldt-Universität zu Berlin
• Teilprojektleiterinnen: Dr. Dagmar Kainmüller; Professorin Dr. Kerstin Ritter