<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>349</id>
    <completedYear/>
    <publishedYear>2020</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>conferencevolume</type>
    <publisherName>Springer Vieweg</publisherName>
    <publisherPlace>Wiesbaden</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2020-04-22</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Bildverarbeitung für die Medizin 2020</title>
    <abstract language="deu">In den letzten Jahren hat sich der Workshop "Bildverarbeitung für die Medizin" durch erfolgreiche Veranstaltungen etabliert. Ziel ist auch 2020 wieder die Darstellung aktueller Forschungsergebnisse und die Vertiefung der Gespräche zwischen Wissenschaftlern, Industrie und Anwendern. Die Beiträge dieses Bandes - einige davon in englischer Sprache - umfassen alle Bereiche der medizinischen Bildverarbeitung, insbesondere Bildgebung und -akquisition, Maschinelles Lernen, Bildsegmentierung und Bildanalyse, Visualisierung und Animation, Zeitreihenanalyse, Computerunterstützte Diagnose, Biomechanische Modellierung, Validierung und Qualitätssicherung, Bildverarbeitung in der Telemedizin u.v.m.</abstract>
    <subTitle language="deu">Algorithmen – Systeme – Anwendungen. Proceedings des Workshops vom 15. bis 17. März 2020 in Berlin</subTitle>
    <identifier type="isbn">978-3-658-29266-9</identifier>
    <identifier type="doi">10.1007/978-3-658-29267-6</identifier>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Bildanalyse</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Bildverarbeitung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Computerunterstützte Medizin</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Deep Learning</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Visualisierung</value>
    </subject>
    <collection role="ddc" number="0">Informatik, Informationswissenschaft, allgemeine Werke</collection>
    <collection role="ddc" number="6">Technik, Medizin, angewandte Wissenschaften</collection>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="othforschungsschwerpunkt" number="16311">Digitalisierung</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>5434</id>
    <completedYear/>
    <publishedYear>2022</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue>08</issue>
    <volume>60</volume>
    <type>conferencepresentation</type>
    <publisherName>Georg Thieme Verlag</publisherName>
    <publisherPlace>Stuttgart</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2022-09-16</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Optical Flow als Methode zur Qualitätssicherung KI-unterstützter Untersuchungen von Barrett-Ösophagus und Barrett-Ösophagus assoziierten Neoplasien</title>
    <abstract language="deu">Einleitung &#13;
Übermäßige Bewegung im Bild kann die Performance von auf künstlicher Intelligenz (KI) basierenden klinischen Entscheidungsunterstützungssystemen (CDSS) reduzieren. Optical Flow (OF) ist eine Methode zur Lokalisierung und Quantifizierung von Bewegungen zwischen aufeinanderfolgenden Bildern.&#13;
&#13;
Ziel &#13;
Ziel ist es, die Mensch-Computer-Interaktion (HCI) zu verbessern und Endoskopiker die unser KI-System „Barrett-Ampel“ zur Unterstützung bei der Beurteilung von Barrett-Ösophagus (BE) verwenden, ein Echtzeit-Feedback zur aktuellen Datenqualität anzubieten.&#13;
&#13;
Methodik &#13;
Dazu wurden unveränderte Videos in „Weißlicht“ (WL), „Narrow Band Imaging“ (NBI) und „Texture and Color Enhancement Imaging“ (TXI) von acht endoskopischen Untersuchungen von histologisch gesichertem BE und mit Barrett-Ösophagus assoziierten Neoplasien (BERN) durch unseren KI-Algorithmus analysiert. Der zur Bewertung der Bildqualität verwendete OF beinhaltete die mittlere Magnitude und die Entropie des Histogramms der Winkel. Frames wurden automatisch extrahiert, wenn die vordefinierten Schwellenwerte von 3,0 für die mittlere Magnitude und 9,0 für die Entropie des Histogramms der Winkel überschritten wurden. Experten sahen sich zunächst die Videos ohne KI-Unterstützung an und bewerteten, ob Störfaktoren die Sicherheit mit der eine Diagnose im vorliegenden Fall gestellt werden kann negativ beeinflussen. Anschließend überprüften sie die extrahierten Frames.&#13;
&#13;
Ergebnis &#13;
Gleichmäßige Bewegung in eine Richtung, wie etwa beim Vorschieben des Endoskops, spiegelte sich, bei insignifikant veränderter Entropie, in einer Erhöhung der Magnitude wider. Chaotische Bewegung, zum Beispiel während dem Spülen, war mit erhöhter Entropie assoziiert. Insgesamt war eine unruhige endoskopische Darstellung, Flüssigkeit sowie übermäßige Ösophagusmotilität mit erhöhtem OF assoziiert und korrelierte mit der Meinung der Experten über die Qualität der Videos. Der OF und die subjektive Wahrnehmung der Experten über die Verwertbarkeit der vorliegenden Bildsequenzen korrelierten direkt proportional. Wenn die vordefinierten Schwellenwerte des OF überschritten wurden, war die damit verbundene Bildqualität in 94% der Fälle für eine definitive Interpretation auch für Experten unzureichend.&#13;
&#13;
Schlussfolgerung &#13;
OF hat das Potenzial Endoskopiker ein Echtzeit-Feedback über die Qualität des Dateninputs zu bieten und so nicht nur die HCI zu verbessern, sondern auch die optimale Performance von KI-Algorithmen zu ermöglichen.</abstract>
    <parentTitle language="deu">Zeitschrift für Gastroenterologie</parentTitle>
    <identifier type="doi">10.1055/s-0042-1754997</identifier>
    <enrichment key="ConferenceStatement">Jahrestagung der Deutschen Gesellschaft für Gastroenterologie, Verdauungs- und Stoffwechselkrankheiten mit Sektion Endoskopie, 76, 2022, Hamburg</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Michael Meinikheim</author>
    <author>Robert Mendel</author>
    <author>Andreas Probst</author>
    <author>Markus W. Scheppach</author>
    <author>Helmut Messmann</author>
    <author>Christoph Palm</author>
    <author>Alanna Ebigbo</author>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Optical Flow</value>
    </subject>
    <collection role="ddc" number="61">Medizin und Gesundheit</collection>
    <collection role="ddc" number="004">Datenverarbeitung; Informatik</collection>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>3507</id>
    <completedYear/>
    <publishedYear>2022</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst>251</pageFirst>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue>4</issue>
    <volume>60</volume>
    <type>conferencepresentation</type>
    <publisherName>Thieme</publisherName>
    <publisherPlace>Stuttgart</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2022-04-10</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Einsatz von künstlicher Intelligenz (KI) als Entscheidungsunterstützungssystem für nicht-Experten bei der Beurteilung von Barrett-Ösophagus assoziierten Neoplasien (BERN)</title>
    <abstract language="deu">Einleitung&#13;
Die sichere Detektion und Charakterisierung von Barrett-Ösophagus assoziierten Neoplasien (BERN) stellt selbst für erfahrene Endoskopiker eine Herausforderung dar.&#13;
&#13;
Ziel&#13;
Ziel dieser Studie ist es, den Add-on Effekt eines künstlichen Intelligenz (KI) Systems (Barrett-Ampel) als Entscheidungsunterstüzungssystem für Endoskopiker ohne Expertise bei der Untersuchung von BERN zu evaluieren.&#13;
&#13;
Material und Methodik&#13;
Zwölf Videos in „Weißlicht“ (WL), „narrow-band imaging“ (NBI) und „texture and color enhanced imaging“ (TXI) von histologisch bestätigten Barrett-Metaplasien oder BERN wurden von Experten und Untersuchern ohne Barrett-Expertise evaluiert. Die Probanden wurden dazu aufgefordert in den Videos auftauchende BERN zu identifizieren und gegebenenfalls die optimale Biopsiestelle zu markieren. Unser KI-System wurde demselben Test unterzogen, wobei dieses BERN in Echtzeit segmentierte und farblich von umliegendem Epithel differenzierte. Anschließend wurden den Probanden die Videos mit zusätzlicher KI-Unterstützung gezeigt. Basierend auf dieser neuen Information, wurden die Probanden zu einer Reevaluation ihrer initialen Beurteilung aufgefordert.&#13;
&#13;
Ergebnisse&#13;
Die „Barrett-Ampel“ identifizierte unabhängig von den verwendeten Darstellungsmodi (WL, NBI, TXI) alle BERN. Zwei entzündlich veränderte Läsionen wurden fehlinterpretiert (Genauigkeit=75%). Während Experten vergleichbare Ergebnisse erzielten (Genauigkeit=70,8%), hatten Endoskopiker ohne Expertise bei der Beurteilung von Barrett-Metaplasien eine Genauigkeit von lediglich 58,3%. Wurden die nicht-Experten allerdings von unserem KI-System unterstützt, erreichten diese eine Genauigkeit von 75%.&#13;
&#13;
Zusammenfassung&#13;
Unser KI-System hat das Potential als Entscheidungsunterstützungssystem bei der Differenzierung zwischen Barrett-Metaplasie und BERN zu fungieren und so Endoskopiker ohne entsprechende Expertise zu assistieren. Eine Limitation dieser Studie ist die niedrige Anzahl an eingeschlossenen Videos. Um die Ergebnisse dieser Studie zu bestätigen, müssen randomisierte kontrollierte klinische Studien durchgeführt werden.</abstract>
    <parentTitle language="deu">Zeitschrift für Gastroenterologie</parentTitle>
    <identifier type="doi">10.1055/s-0042-1745653</identifier>
    <enrichment key="ConferenceStatement">49. Jahrestagung der Gesellschaft für Gastroenterologie in Bayern e.V., Freising</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Michael Meinikheim</author>
    <author>Robert Mendel</author>
    <author>Markus W. Scheppach</author>
    <author>Andreas Probst</author>
    <author>Friederike Prinz</author>
    <author>Tanja Schwamberger</author>
    <author>Jakob Schlottmann</author>
    <author>Stefan Karl Gölder</author>
    <author>Benjamin Walter</author>
    <author>Ingo Steinbrück</author>
    <author>Christoph Palm</author>
    <author>Helmut Messmann</author>
    <author>Alanna Ebigbo</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Barrett-Ösophagus</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Künstliche Intelligenz</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>psyndex</type>
      <value>Speiseröhrenkrankheit</value>
    </subject>
    <collection role="ddc" number="0">Informatik, Informationswissenschaft, allgemeine Werke</collection>
    <collection role="ddc" number="6">Technik, Medizin, angewandte Wissenschaften</collection>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="persons" number="palmbarrett">Palm, Christoph (Prof. Dr.) - Projekt Barrett</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>3540</id>
    <completedYear/>
    <publishedYear>2022</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst>S39</pageFirst>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue>S 01</issue>
    <volume>54</volume>
    <type>conferencepresentation</type>
    <publisherName>Thieme</publisherName>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2022-04-19</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">INFLUENCE OF AN ARTIFICIAL INTELLIGENCE (AI) BASED DECISION SUPPORT SYSTEM (DSS) ON THE DIAGNOSTIC PERFORMANCE OF NON-EXPERTS IN BARRETT´S ESOPHAGUS RELATED NEOPLASIA (BERN)</title>
    <abstract language="eng">Aims&#13;
Barrett´s esophagus related neoplasia (BERN) is difficult to detect and characterize during endoscopy, even for expert endoscopists. We aimed to assess the add-on effect of an Artificial Intelligence (AI) algorithm (Barrett-Ampel) as a decision support system (DSS) for non-expert endoscopists in the evaluation of Barrett’s esophagus (BE) and BERN.&#13;
&#13;
Methods&#13;
Twelve videos with multimodal imaging white light (WL), narrow-band imaging (NBI), texture and color enhanced imaging (TXI) of histologically confirmed BE and BERN were assessed by expert and non-expert endoscopists. For each video, endoscopists were asked to identify the area of BERN and decide on the biopsy spot. Videos were assessed by the AI algorithm and regions of BERN were highlighted in real-time by a transparent overlay. Finally, endoscopists were shown the AI videos and asked to either confirm or change their initial decision based on the AI support.&#13;
&#13;
Results&#13;
Barrett-Ampel correctly identified all areas of BERN, irrespective of the imaging modality (WL, NBI, TXI), but misinterpreted two inflammatory lesions (Accuracy=75%). Expert endoscopists had a similar performance (Accuracy=70,8%), while non-experts had an accuracy of 58.3%. When AI was implemented as a DSS, non-expert endoscopists improved their diagnostic accuracy to 75%.&#13;
&#13;
Conclusions&#13;
AI may have the potential to support non-expert endoscopists in the assessment of videos of BE and BERN. Limitations of this study include the low number of videos used. Randomized clinical trials in a real-life setting should be performed to confirm these results.</abstract>
    <parentTitle language="eng">Endoscopy</parentTitle>
    <identifier type="doi">10.1055/s-00000012</identifier>
    <enrichment key="ConferenceStatement">ESGE Days 2022</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Michael Meinikheim</author>
    <author>Robert Mendel</author>
    <author>Markus W. Scheppach</author>
    <author>Andreas Probst</author>
    <author>Friederike Prinz</author>
    <author>Tanja Schwamberger</author>
    <author>Jakob Schlottmann</author>
    <author>Stefan Karl Gölder</author>
    <author>Benjamin Walter</author>
    <author>Ingo Steinbrück</author>
    <author>Christoph Palm</author>
    <author>Helmut Messmann</author>
    <author>Alanna Ebigbo</author>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Artificial Intelligence</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Barrett's Esophagus</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Speiseröhrenkrankheit</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Künstliche Intelligenz</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Diagnose</value>
    </subject>
    <collection role="ddc" number="0">Informatik, Informationswissenschaft, allgemeine Werke</collection>
    <collection role="ddc" number="6">Technik, Medizin, angewandte Wissenschaften</collection>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>3539</id>
    <completedYear/>
    <publishedYear>2022</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst>S175</pageFirst>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue>S01</issue>
    <volume>54</volume>
    <type>article</type>
    <publisherName>Thieme</publisherName>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2022-04-19</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">ARTIFICIAL INTELLIGENCE (AI) – ASSISTED VESSEL AND TISSUE RECOGNITION IN THIRD-SPACE ENDOSCOPY</title>
    <abstract language="eng">Aims &#13;
Third-space endoscopy procedures such as endoscopic submucosal dissection (ESD) and peroral endoscopic myotomy (POEM) are complex interventions with elevated risk of operator-dependent adverse events, such as intra-procedural bleeding and perforation. We aimed to design an artificial intelligence clinical decision support solution (AI-CDSS, “Smart ESD”) for the detection and delineation of vessels, tissue structures, and instruments during third-space endoscopy procedures.&#13;
&#13;
Methods&#13;
Twelve full-length third-space endoscopy videos were extracted from the Augsburg University Hospital database. 1686 frames were annotated for the following categories: Submucosal layer, blood vessels, electrosurgical knife and endoscopic instrument. A DeepLabv3+neural network with a 101-layer ResNet backbone was trained and validated internally. Finally, the ability of the AI system to detect visible vessels during ESD and POEM was determined on 24 separate video clips of 7 to 46 seconds duration and showing 33 predefined vessels. These video clips were also assessed by an expert in third-space endoscopy.&#13;
&#13;
Results &#13;
Smart ESD showed a vessel detection rate (VDR) of 93.94%, while an average of 1.87 false positive signals were recorded per minute. VDR of the expert endoscopist was 90.1% with no false positive findings. On the internal validation data set using still images, the AI system demonstrated an Intersection over Union (IoU), mean Dice score and pixel accuracy of 63.47%, 76.18% and 86.61%, respectively.&#13;
&#13;
Conclusions &#13;
This is the first AI-CDSS aiming to mitigate operator-dependent limitations during third-space endoscopy. Further clinical trials are underway to better understand the role of AI in such procedures.</abstract>
    <parentTitle language="eng">Endoscopy</parentTitle>
    <identifier type="doi">10.1055/s-0042-1745037</identifier>
    <enrichment key="ConferenceStatement">ESGE Days 2022</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Markus W. Scheppach</author>
    <author>Robert Mendel</author>
    <author>Andreas Probst</author>
    <author>Michael Meinikheim</author>
    <author>Christoph Palm</author>
    <author>Helmut Messmann</author>
    <author>Alanna Ebigbo</author>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Artificial Intelligence</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Third-Space Endoscopy</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Smart ESD</value>
    </subject>
    <collection role="ddc" number="0">Informatik, Informationswissenschaft, allgemeine Werke</collection>
    <collection role="ddc" number="6">Technik, Medizin, angewandte Wissenschaften</collection>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>8057</id>
    <completedYear/>
    <publishedYear>2025</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst>298</pageFirst>
    <pageLast>303</pageLast>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>conferenceobject</type>
    <publisherName>Springer Vieweg</publisherName>
    <publisherPlace>Wiesbaden</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2025-04-28</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">Self-supervised 3D Vision Transformer Pre-training for Robust Brain Tumor Classification</title>
    <abstract language="eng">Brain tumors pose significant challenges in neurology, making precise classification crucial for prognosis and treatment planning. This work investigates the effectiveness of a self-supervised learning approach–masked autoencoding (MAE)–to pre-train a vision transformer (ViT) model for brain tumor classification. Our method uses non-domain specific data, leveraging the ADNI and OASIS-3 MRI datasets, which primarily focus on degenerative diseases, for pretraining. The model is subsequently fine-tuned and evaluated on the BraTS glioma and meningioma datasets, representing a novel use of these datasets for tumor classification. The pre-trained MAE ViT model achieves an average F1 score of 0.91 in a 5-fold cross-validation setting, outperforming the nnU-Net encoder trained from scratch, particularly under limited data conditions. These findings highlight the potential of self-supervised MAE in enhancing brain tumor classification accuracy, even with restricted labeled data.</abstract>
    <parentTitle language="deu">Bildverarbeitung für die Medizin 2025: Proceedings, German Conference on Medical Image Computing, Regensburg March 09-11, 2025</parentTitle>
    <identifier type="doi">10.1007/978-3-658-47422-5_69</identifier>
    <enrichment key="OtherSeries">Informatik aktuell</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Danilo Weber Nunes</author>
    <author>David Rauber</author>
    <author>Christoph Palm</author>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="institutes" number="RCHST">Regensburg Center of Health Sciences and Technology - RCHST</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="DFGFachsystematik" number="1">Ingenieurwissenschaften</collection>
  </doc>
  <doc>
    <id>8058</id>
    <completedYear/>
    <publishedYear>2025</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst>38</pageFirst>
    <pageLast>43</pageLast>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>conferenceobject</type>
    <publisherName>Springer Vieweg</publisherName>
    <publisherPlace>Wiesbaden</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2025-04-28</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">iRBSM: A Deep Implicit 3D Breast Shape Model</title>
    <abstract language="eng">We present the first deep implicit 3D shape model of the female breast, building upon and improving the recently proposed Regensburg Breast Shape Model (RBSM). Compared to its PCA-based predecessor, our model employs implicit neural representations; hence, it can be trained on raw 3D breast scans and eliminates the need for computationally demanding non-rigid registration, a task that is particularly difficult for feature-less breast shapes. The resulting model, dubbed iRBSM, captures detailed surface geometry including fine structures such as nipples and belly buttons, is highly expressive, and outperforms the RBSM on different surface reconstruction tasks. Finally, leveraging the iRBSM, we present a prototype application to 3D reconstruct breast shapes from just a single image. Model and code publicly available at https://rbsm.re-mic.de/implicit.</abstract>
    <parentTitle language="deu">Bildverarbeitung für die Medizin 2025: Proceedings, German Conference on Medical Image Computing, Regensburg March 09-11, 2025</parentTitle>
    <identifier type="doi">10.1007/978-3-658-47422-5_11</identifier>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <enrichment key="OtherSeries">Informatik aktuell</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Maximilian Weiherer</author>
    <author>Antonia von Riedheim</author>
    <author>Vanessa Brébant</author>
    <author>Bernhard Egger</author>
    <author>Christoph Palm</author>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="institutes" number="RCHST">Regensburg Center of Health Sciences and Technology - RCHST</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="DFGFachsystematik" number="1">Ingenieurwissenschaften</collection>
  </doc>
  <doc>
    <id>6079</id>
    <completedYear/>
    <publishedYear>2023</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>317</pageNumber>
    <edition/>
    <issue/>
    <volume/>
    <type>conferencevolume</type>
    <publisherName>Springer Vieweg</publisherName>
    <publisherPlace>Wiesbaden</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2023-06-24</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Bildverarbeitung für die Medizin 2023</title>
    <abstract language="deu">Seit mehr als 25 Jahren ist der Workshop "Bildverarbeitung für die Medizin" als erfolgreiche Veranstaltung etabliert. Ziel ist auch 2023 wieder die Darstellung aktueller Forschungsergebnisse und die Vertiefung der Gespräche zwischen Wissenschaftlern, Industrie und Anwendern. Die Beiträge dieses Bandes - viele davon in englischer Sprache - umfassen alle Bereiche der medizinischen Bildverarbeitung, insbesondere die Bildgebung und -akquisition, Segmentierung und Analyse, Visualisierung und Animation, computerunterstützte Diagnose sowie bildgestützte Therapieplanung und Therapie. Hierbei kommen Methoden des maschinelles Lernens, der biomechanischen Modellierung sowie der Validierung und Qualitätssicherung zum Einsatz.</abstract>
    <subTitle language="eng">Proceedings, German Workshop on Medical Image Computing, Braunschweig, July 2-4, 2023</subTitle>
    <identifier type="isbn">978-3-658-41656-0</identifier>
    <identifier type="doi">10.1007/978-3-658-41657-7</identifier>
    <identifier type="issn">1431-472X</identifier>
    <enrichment key="ConferenceStatement">Bildverarbeitung für die Medizin (BVM), 2023, Braunschweig</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="OtherSeries">Informatik aktuell</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Machine Learning</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Medical Image Computing</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Bildverarbeitung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Computerunterstützte Medizin</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Bildgebendes Verfahren</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Bildanalyse</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Visualisierung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Deep Learning</value>
    </subject>
    <collection role="ddc" number="000">Informatik, Informationswissenschaft, allgemeine Werke</collection>
    <collection role="ddc" number="610">Medizin und Gesundheit</collection>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="institutes" number="RCBE">Regensburg Center of Biomedical Engineering - RCBE</collection>
    <collection role="institutes" number="RCHST">Regensburg Center of Health Sciences and Technology - RCHST</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>7116</id>
    <completedYear/>
    <publishedYear>2024</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst>261</pageFirst>
    <pageLast>266</pageLast>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>conferenceobject</type>
    <publisherName>Springer</publisherName>
    <publisherPlace>Wiesbaden</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2024-03-11</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">Data Augmentation for Images of Chronic Foot Wounds</title>
    <abstract language="eng">Training data for Neural Networks is often scarce in the medical domain, which often results in models that struggle to generalize and consequently showpoor performance on unseen datasets. Generally, adding augmentation methods to the training pipeline considerably enhances a model’s performance. Using the dataset of the Foot Ulcer Segmentation Challenge, we analyze two additional augmentation methods in the domain of chronic foot wounds - local warping of wound edges along with projection and blurring of shapes inside wounds. Our experiments show that improvements in the Dice similarity coefficient and Normalized Surface Distance metrics depend on a sensible selection of those augmentation methods.</abstract>
    <parentTitle language="deu">Bildverarbeitung für die Medizin 2024: Proceedings, German Workshop on Medical Image Computing, March 10-12, 2024, Erlangen</parentTitle>
    <identifier type="doi">10.1007/978-3-658-44037-4_71</identifier>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Max Gutbrod</author>
    <author>Benedikt Geisler</author>
    <author>David Rauber</author>
    <author>Christoph Palm</author>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>111</id>
    <completedYear/>
    <publishedYear>2017</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst>112</pageFirst>
    <pageLast>113</pageLast>
    <pageNumber/>
    <edition/>
    <issue>1</issue>
    <volume>41</volume>
    <type>conferencepresentation</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">Improved interactive computer-assisted approach for evaluation of ultrastructural cilia abnormalities</title>
    <parentTitle language="eng">Ultrastructural Pathology</parentTitle>
    <identifier type="doi">10.1080/01913123.2016.1270978</identifier>
    <author>Josef A. Schroeder</author>
    <author>Matthias Semmelmann</author>
    <author>Heiko Siegmund</author>
    <author>Claudia Grafe</author>
    <author>Matthias Evert</author>
    <author>Christoph Palm</author>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Zilie</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Ultrastruktur</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Anomalie</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Bildverarbeitung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Computerunterstütztes Verfahren</value>
    </subject>
    <collection role="ddc" number="0">Informatik, Informationswissenschaft, allgemeine Werke</collection>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="institutes" number="RCBE">Regensburg Center of Biomedical Engineering - RCBE</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
</export-example>
