Forschungsschwerpunkt Computational Health
Der Forschungsschwerpunkt Computational Health befasst sich mit Fragestellungen aus Medizin und Biologie unter Verwendung datengetriebener und mechanistischer Modellierung. Wichtige Instrumente sind maschinelles Lernen für die Bild- und Signalanalyse, graphische Netzwerke, Parameterschätzung für Differenzialgleichungssysteme und physiologische Simulation.
Über uns
Der Schwerpunkt Computational Health befasst sich mit fundamentalen Fragestellungen aus Biologie und Medizin unter Verwendung computergestützter, datengetriebener Methoden. Wichtige Instrumente sind maschinelles Lernen für die Bild- und Signalanalyse, Parameterschätzung für Differenzialgleichungssysteme und Multiphysik-Simulation. Effektive Validierungsstrategien werden eingesetzt, um mit dem Unbekannten umzugehen.
Unsere Forschungsgruppen
Biomedical Simulation
Die Forschungsgruppe ist spezialisiert auf die Modellierung biologischer und medizinischer Systeme. Es werden neue Ansätze entwickelt zur Simulation physiologischer Prozesse und um krankhafte Veränderung vorherzusagen. Insbesondere fliesst vertieftes Wissen zu biologischen/physiologischen Prozessen in Multi-Physik Simulationen ein.
Die Gruppe entwickelt Algorithmen zur Parameter- und Unsicherheitsschätzung physikalisch motivierter stochastischer Modelle. Insbesondere werden Maschinelle Lernverfahren mit Bayes’scher Modellierung verknüpft zur Reduktion der Dimensionalität. Diese Verfahren finden breite Anwendung in der Medizin und in den Life Sciences.
Leiter: Prof. Dr. Sven Hirsch | Erfahren Sie mehr über die Forschungsgruppe Biomedical Simulation
Medical Image Analysis
Die Forschungsgruppe wendet maschinelle Lernverfahren an zur Interpretation medizinischer Bilddaten. Derart werden Merkmale extrahiert zur Charakterisierung von Krankheitsbildern und zur Verwendung als diagnostische Marker. Von besonderem Interesse sind die radiomische und morphologische Vermessung diagnostischer Bilddaten. Hierbei verfolgt die Gruppe das Ziel, mittels erklärbarer maschineller Lernverfahren reproduzierbare, bildbasierte Biomarker zu etablieren und deren klinischen Nutzen sicherzustellen.
Medical Data Modelling
Die Forschungsgruppe wendet Verfahren der Statistik und des maschinellen Lernens an zur Modellierung von Wirkzusammenhängen in medizinischen Daten, um insbesondere pathophysiologische Prozesse zu analysieren. Patientendaten werden zusammen mit Daten aus Bildgebungsverfahren, insbesondere der Magnetresonanztomographie, analysiert.
Biosignal Analysis & Digital Health
Die Forschungsgruppe untersucht Daten von Wearables und Biosensoren mit Methoden der Zeitreihenanalyse und verbindet diese mit biologisch-physikalischen Modellen zur robusten Charakterisierung von physiologischen Zuständen. Diese Datenquellen dienen zur Umsetzung von Patient Reported Outcomes in die klinische Praxis und zur Weiterentwicklung der patientenzentrierten Medizin.
Leiter: Dr. Samuel Wehrli | Erfahren Sie mehr über die Forschungsgruppe Biosignal Analysis & Digital Health
Software & Code
Unsere GitHub-Organisationsseite dient als zentrale Anlaufstelle für den Code und die Projekte, die vom Forschungsschwerpunkt Computational Health entwickelt wurden. Wir setzen uns dafür ein, den Schwerpunkt Computational Health durch innovative Forschung voranzubringen und die Open Science zu fördern. Unsere Repositories umfassen eine Vielzahl von Themen, darunter Algorithmusentwicklung, Datenanalyse und computergestützte Modellierung. Indem wir unsere Arbeit offen teilen, möchten wir die Zusammenarbeit fördern und zur wissenschaftlichen Gemeinschaft beitragen. Die Förderung der Open Science stellt sicher, dass unsere Forschung transparent, reproduzierbar und zugänglich ist, was eine breitere Verbreitung und eine Beschleunigung des wissenschaftlichen Fortschritts ermöglicht. Wir laden Sie ein, unsere Projekte zu erkunden und direkt auf GitHub mit uns in Kontakt zu treten.
Lehre
Das Lehrangebot des Forschungsschwerpunktes Computational Health umfasst Teilgebiete der mathematischen und physikalischen Modellierung. Auf Stufe Bachelor ist sie verantwortlich für die Vertiefung Digital Health. In weiteren Bachelor Lehrgängen am Departement unterrichtet sie Physik und Mathematik. Im MSc Applied Computational Life Sciences und im PhD-Programm Data Science bieten sie vertiefte Kurse zur Modellierung komplexer Systeme an.
Team Computational Health
Projekte
Im Zuge des Neuaufbaus der Forschungsdatenbank sind die bisherigen Listen mit Forschungsprojekten nicht mehr abrufbar. Die Zukunft geht in Richtung Volltextsuche und Filterung, um bestmögliche Suchergebnisse für unsere Besucher:innen zur Verfügung zu stellen.
In der Zwischenzeit kannst du die Projekte ganz einfach unter folgenden Link per Textsuche finden: «Zur neuen Suche in der Projektdatenbank»
Publikationen
-
Egger, Julian; Szczerba, Dominik; Rüfenacht, Daniel; Szekely, Gabor; Hirsch, Sven,
2014.
2D viscoelastic thrombosis model for stented aneurysms.
In:
7th World Congress of Biomechanics, Boston, USA, 06-11 July 2014.
-
Russ, Christoph; Hopf, Raoul; Sündermann, Simon H.; Born, Silvia; Hirsch, Sven; Falk, Volkmar; Székely, Gábor; Gessat, Michael,
2014.
Computational stent placement in transcatheter aortic valve implantation [Paper].
In:
Biomedical Simulation.
6th International Symposium ISBMS 2014, Strasbourg, France, 16-17 October 2014.
Cham:
Springer.
S. 95-105.
Lecture Notes in Computer Science ; 8789.
Verfügbar unter: https://doi.org/10.1007/978-3-319-12057-7_11
-
Gessat, Michael; Hopf, Raoul; Pollok, Thomas; Russ, Christoph; Frauenfelder, Thomas; Sundermann, Simon Harald; Hirsch, Sven; Mazza, Edoardo; Szekely, Gabor; Falk, Volkmar,
2014.
IEEE Transactions on Biomedical Engineering.
61(1), S. 4-15.
Verfügbar unter: https://doi.org/10.1109/TBME.2013.2273496
-
Schneider, Matthias; Hirsch, Sven; Weber, Bruno; Székely, Gábor; Menze, Bjoern H.,
2014.
TGIF : topological gap in-fill for vascular networks [Paper].
In:
Medical Image Computing and Computer-Assisted Intervention – MICCAI 2014 Part II.
MICCAI, 17th International Conference, Boston, USA, 14-18 September 2014.
Cham:
Springer.
S. 89-96.
Lecture Notes in Computer Science ; 8674.
Verfügbar unter: https://doi.org/10.1007/978-3-319-10470-6_12
-
Hirsch, Sven; Egger, Julian; Wanke, Isabel; Kulcsar, Zsolt; Rüfenacht, Daniel,
2013.
In:
CMBE13 : 3rd International Conference on Computational & Mathematical Biomedical Engineering.
CMBE 2013, Hong Kong, , 16-18 December 2013.
Hong Kong:
City University of Hong Kong.
S. 107-110.