Bildverarbeitung & Analyse
Während meiner Arbeit als Naturwissenschaftler und meiner langjährigen Tätigkeit als Leiter der Bild- und Datenanalyse Facility (9 Jahre) am Deutschen Zentrum für Neurodegenerative Erkrankungen (DZNE) habe ich zahlreiche Projekte im Bereich quantitative Bildanalyse geleitet, eigenständig durchgeführt oder begleitet.
Ich habe vor allem Erfahrungen mit biomedizinischen Bilddaten gesammelt, u.a.:
- Fluoreszenzmikroskopie
- Zeitreihen Aufnahmen
- Histologie
- MRT und CT Daten
- Elektronenmikroskopie
Meine Tätigkeiten umfassen:
- Bildanalyse Training für Wissenschaftler
- Aufbereitung von Daten und Umgang mit Messartefakten (Dekonvolution, Ausbleichkorrektur)
- Entwicklung von Deep Learning Modellen
- Automatische Objektdetektion
- Objektklassifizierung
- Bildklassifizierung
- Verarbeitung von großen Mengen an Bilddaten
Bildanalyse Werkzeuge mit denen ich vertraut bin:
- Python
- ImageJ
- CellProfiler
- Napari
- Imaris
Projekte aus diesem Bereich
-
Python Entwickler / Projektleitung / Experte Bildverarbeitung
2016
Entwicklung von YAPiC einer Open Source Software zur Analyse von biomedizinischen Bilddaten mit Hilfe von Deep Learning.
Aufgaben:
- Projektmanagement
- Konzeption und Algorithmenentwicklung
- Präsentation der Software auf internationalen Tagungen
- Deployment, Entwicklung von CI/CD Pipelines
- Management der Weiterentwicklung des Tools durch die Open Source Community
Werkzeuge:
PythonTensorFlowTravis-CIGitHub YAPiC Website -
Data Scientist / Experte Bildverarbeitung
2017
Automatisierte Charakterisierung von Gewebeproben mittels Deep Learning
Im Rahmen eines medizinischen Forschungsprojektes wurden Gewebeproben mit einem automatisierten Mikroskop fotografiert. Auf Basis von Python und Tensorflow wurde eine Software entwickelt, um spezifische Zelltypen im Gewebe zu identifizieren und zu klassifizieren. Auf diese Weise konnten unterschiedliche Zelltypen für benutzerdefinierte Gewebe-Regionen automatisiert ausgezählt werden.
Werkzeuge:
PythonTensorFlowgit -
Python Entwickler, DevOps
2018
Entwicklung einer parallelisierten Bildanalyse-Pipeline zur Verarbeitung massiver Bilddaten eines automatisierten Mikroskops.
Eine Automationsanlage innerhalb eines pharmazeutischen Labors produziert täglich Bilddaten im Terabyte Bereich. Auf Gundlage der CellProfiler software wurde eine Objekterkennung und Feature Berechnung implementiert, um strukturierte Daten aus den rohen Bilddaten zu gewinnen. Zum robusten Deployment auf einem in-house betriebenen CPU cluster wurde die Anwendung mit Docker containerisiert und mit SLURM orchestriert.
Aufgaben:
- Definition der Spezifikationen in Zusammenarbeit mit den Domänen Experten
- Planung und Anschaffung erforderlicher Hardware
- Konzeption und Implementierung
- Big Data handling
Werkzeuge:
PythonCellProfilerDockerSLURM -
Data Scientist Wirkstoffforschung
2014
Medikamenten-Screening-Analyse einschließlich Feature Engineering, Clustering und Ranking-Analyse
Aufgaben:
- Aufbau und Ausführung einer Bildanalyse-Pipeline zur automatischen Objekterkennung von bildbasierten Screening-Daten.
- Verarbeitung und Auswahl von Features
- Clustering-Analysen zur Identifizierung von Wirkstoffkandidatengruppen
- Entwicklung von Ranking-Algorithmen zur Identifizierung von Medikamenten mit hohem Potenzial und geringer Toxizität
- Big Data processing
Werkzeuge:
PythonCellProfilerPandasNumpyScipyScikitLearnApache Spark