Medizinische Bild- und Sensordatenverarbeitung

Die Bildgebende Diagnostik ist eine der beiden Hauptsäulen bei der Detektion und der Diagnose von Krankheiten. Die Aufgabe der Radiologen ist zunächst die Erstellung medizinischer Bilder mithilfe von MRT, CT und co. Anschließend werden die Bilder je nach Fragestellung entweder auf Auffälligkeiten untersucht (Detektion) oder das sich darstellende Krankheitsbild charakterisiert (Diagnose). Dieser Prozess der Befundung ist in Anbetracht großer Datenmengen zeitraubend und ermüdend. Auch für die Planung von minimalinvasiven Eingriffen in der Therapie sind häufig sehr zeitaufwändige manuelle Schritte der Bildverarbeitung notwendig.

Das Forschungsfeld der medizinischen Bildverarbeitung wird daher seit einigen Jahren dominiert von Themen des maschinellen Lernens, speziell mithilfe tiefer neuronaler Netze (Deep Learning).

Die Forschungsgruppe beschäftigt sich in diesem Bereich schwerpunktmäßig mit der Generierung von künstlichen Daten mithilfe von Methoden der Simulation und Synthese. Diese Daten werden eingesetzt, um zu erforschen, wie Algorithmen auf Veränderungen in Daten reagieren oder um Trainings- und Testdaten zu erweitern.

NeuroTEST (ZIM) - AI Stresstests using artificial MRI data

Ansprechpartner: Prof. Dr. Stefanie Remmele
Laufzeit: 2021-2022 (2 Jahre)
Partner: deepc GmbH, München
Assoziierte Partner: LAKUMED Krankenhaus Landshut-Achdorf, Prof. Dr. Tobias Schäffter (PTB Berlin, TU Berlin)

Wissenschaftliche Mitarbeiterin: Christiane Posselt
Hiwi-/Projekt-/Abschlussarbeiten: E. Gramotke, J. Fischer, S. Khajarian, A. Paulik, M. Kaiser, I. Marchl, Y. Mündler, N. Erl, M. Bischof, B. Rechenmacher, F. Kollmannsberger, M. Kottermair

Methoden des maschinellen Lernens, insbesondere unter Nutzung tiefer neuronaler Netze feiern immer neue Erfolge bei der Analyse und Klassifizierung medizinischer Bilder. Klar ist, in vielen Anwendungen erreichen die Algorithmen bereits mindestens menschenähnliche Entscheidungsgenauigkeiten. Unklar ist allerdings noch, wie sich Netze, trainiert auf einer bestimmten Datensituation, in einer anderen Datensituation verhalten. Z.B. wenn sich Aufnahmehardware oder Bildgebungsparameter von Radiologie zu Radiologie unterscheiden.

Im BMWi geförderten ZIM Projekt NeuroTEST entwickelt die Forschungsgruppe Medizintechnik (Projektleitung Prof. Remmele) zusammen mit dem Münchner Startup deepc Methoden zur systematischen Validierung von neuronalen Netzen (Anwendungsfall Segmentierung von MS Läsionen). Dazu werden Methoden der statistischen Versuchsplanung erforscht, wobei KI-Algorithmen systematisch auf Daten unterschiedlicher Aufnahmeprotokolle getestet werden. Im Zentrum des Projekts an der HAW steht die Simulation und Synthese dieser Daten, um für die Stresstests beliebige Datendomänen bereitstellen zu können (mehr).

Artificial Data for AI supported and AR guided interventions

Ansprechpartner: Prof. Dr. Stefanie Remmele
Laufzeit: 2021-2024 (3 Jahre)
Partner: LAKUMED Krankenhaus Landshut-Achdorf

Wissenschaftlicher Mitarbeiter: Serouj Khajarian

„Insbesondere wenn mehrere Lebertumore vorhanden sind, ist die Zuordnung zu den großen Lebergefäßen bei einer Operation schwierig“, berichtet Prof. Dr. Johannes Schmidt, Chefarzt und medizinischer Vorstand der LAKUMED Kliniken, der die HAW u.a. als Mitglied im Hochschulrat und im Fachbeirat für Medizintechnik und Gesundheitsmanagement unterstützt. Je nach Position und Anzahl von Läsionen stellt das eine große Herausforderung dar, da man den optimalen Zugang und die Lage des Tumors / der Tumore von außen nur schätzen kann. Nur ca. 8 % der Lebertumore können getastet werden. Um die Blutungen während eines Lebereingriffes zu reduzieren, kann man zwar das Organ für ca. 15 min von der Durchblutung abklemmen. Ein sicheres Auffinden der Gefäße würde aber dieses leberschädliche Vorgehen nicht mehr erforderlich machen.  In der Medizintechnik werden dazu bereits Methoden erforscht, die die reale OP Ansicht des Chirurgen mit virtuellen Modellen der Anatomie überlagern (Augmented Reality, AR). Auch existieren Verfahren des maschinellen Lernens, um virtuelle Modelle aus medizinischen MR oder CT Bildern zu erstellen (Segmentierung) oder richtig in der realen Welt zu positionieren (Registrierung). Doch Lösungen zur Anwendung dieser Methoden in AR-Applikationen sucht man fast vergeblich.

Jetzt hat die Forschungsgruppe Medizintechnik beschlossen, sich des Problems in Zusammenarbeit mit dem LAKUMED KH anzunehmen. In das Projekt wollen sich Professor*innen aus den Fakultäten ETWI, Informatik und Maschinenbau mit Projekt- und Abschlussarbeiten einbringen, um so den Grundstein für gemeinsame Förderanträge und Drittmittelprojekte zu legen.

3D prints for orthopedic surgery planning

Ansprechpartner: Prof. Dr. N. Babel, Prof. Dr. S. Remmele
Bachelorarbeit Edith Gramotke (2021)

Zurzeit werden in der Medizintechnik verschiedenste Verfahren erforscht, um Implantate präoperativ entweder an virtuellen Knochenstrukturen oder mittels 3D-gedruckter Modelle vorab an die Anatomie anzupassen.

In ihrer Bachelorarbeit untersuchte Edith Gramotke im Labor für Medizintechnik (Bc BMT, Betreuerin Prof. Dr. Remmele) Möglichkeiten zur Workflow-effizienten Segmentierung von Knochenstrukturen in präoperativen CT Daten. Aktuell vergleicht sie mit den Medizinern verschiedene Ansätze für den 3D-Druck von Strukturen, unterstützt von Prof. Dr.-Ing. Babel, der für die Drucke sein Labor für additive Fertigung zur Verfügung gestellt und die Klinik bei der Auswahl eines geeigneten Druckers beraten hat. Läuft alles nach Plan, dann werden noch vor Abschluss der Bachelorarbeit die ersten Operationen mit Einsatz von 3D-Druckmodellen geplant

Deep learning for segmentation and object detection in medical images

Ansprechpartner: Prof. Dr. Eduard Kromer
Partner:Fraunhofer Institut für Verfahrenstechnik und Verpackung IVV (Dr. Thilo Bauer, Satnam Singh), precipoint GmbH (Ludwig Wildner)
Bachelorarbeiten: Katharina Bauer (BMT), Lena Kinzel (BMT) in 2021

In verschiedenen Projekten, auch in Zusammenarbeit mit industriellen Partnern, untersucht und entwickelt die Hochschule Deep Learning Modelle für Regression, semantische Segmentierung und Objektdetektion zur Verarbeitung von zwei- und dreidimensionalen medizinischen Bilddaten. Hierbei stehen Nachvollziehbarkeit der Ergebnisse, Art und Ausführlichkeit der Ausgabe und Generalisierbarkeit der Modelle (auch auf nicht-medizinsche Daten) im Vordergrund.


Visualisierungsmethoden zur Validierung von tiefen Faltungsnetzen

Visualisierungsmethoden zur Validierung von tiefen Faltungsnetzen

Ansprechpartner: Prof. Dr. Stefanie Remmele
Bachelorarbeit Jakob Dexl (2018)

Im Sommersemester 2018 wurden verschiedene Visualisierungsansätze für die CNNs implementiert. Diese sollen die Entscheidungsfindung des Netzes nachvollziehbar machen, und so u.a. helfen, Schwachstellen der Algorithmen zu identifizieren und die Methoden zu optimieren sowie langfristig die Aufmerksamkeit bei der Befundung auf die detektierten Auffälligkeiten lenken. Die Arbeit ist 2019 mit dem VDE-Preis in der Kategorie Wissenschaft ausgezeichnet worden.

Embedded Systems & Edge AI

Ansprechpartner: Prof. Dr. Andreas Breidenassel

Edge AI setzt sich aus dem Trend der KI-Methoden und dem klassischen Edge Computing zusammen. Die erhobenen Daten werden direkt vor Ort verarbeitet. Mithilfe der Dezentralität können viele Vorteile im Vergleich zum Cloud-Computing geschaffen werden. Unter anderem wird durch die Cloud-Entkopplung die sonst zwanghaft notwendige Internetverbindung verhindert. Es kann in ländlichen als auch in Regionen mit extremen Wetterbedingungen genutzt werden. Des Weiteren spielt gerade im medizintechnischen Umfeld die Datensicherheit eine übergeordnete Rolle. Die Daten verbleiben auf dem System und können direkt vor Ort verarbeitet werden. Es besteht daher keine Gefahr aufgrund unzureichender Anonymisierung und der Rückverfolgbarkeit von Daten. Edge AI ist zudem auf den Anwendungsfall zugeschnitten und benötigt keine dauerhafte Kommunikation. Die Energieeffizienz mobiler Systeme ist ein weiterer Faktor. Durch die sofortige Datenverarbeitung und der Cloud-entkoppelten Verarbeitung entfallen große Speichermedien und eine dauerhafte Kommunikation mit der Cloud.

Edge AI

Klassifizierung von EKG-Daten mittels Deep Learning auf einem Nvidia Jetson Nano System
Leo Hurzlmeier, Christiane Huber (Projektarbeit)

Die häufigste Todesursache weltweit stellen Erkrankungen des Herz-Kreislauf-Systems (HKS) dar. Darunter fallen unter anderem Herzrhythmusstörungen (Arrhythmien), welche mithilfe des EKGs diagnostiziert werden können. Um für die passende Form der Arrhythmie auch die passende Behandlung zu wählen, ist eine exakte Diagnose notwendig. Diese erweist sich als zeitintensiv und ermüdend und soll durch die Verwendung von computer-gestützten Diagnoseprogrammen reduziert werden. Im Wintersemester 2019 hat eine Projektgruppe mit Deep Learning erfolgreich EKG-Daten klassifiziert. Es konnte mit einer Zuverlässigkeit von 98,06% drei verschiedene Krankheitsbilder kategorisiert werden. Zudem wurde Einfluss von Rauschen untersucht und das System auf dem Nvidia Jetson Nano implementiert. 

Mole Identifier - Mobile Klassifizierung von Hautläsionen
Maximilian Reiser, Gabriel Horkovics-Kovats (Projektarbeit)

Das Risiko an Hautkrebs zu erkranken ist seit den 60er Jahren von 0.17% auf 1.00 bis 1.33% gestiegen. Ein entscheidender Faktor, um die Sterblichkeit mit einer Quote von 14.11% (Stand Jahr 2010) zu senken, ist eine frühzeitige Erkennung vor der Metastasierung. In einer Projektarbeit wurde eine Methode zur Klassifizierung von Hautläsionen mittels Depp Learning und Handykamera entwickelt. In der Applikation können unterschiedliche, trainierte Modelle ausgewählt werden. Anschließend kann der Nutzer ein Bild der zu klassifizierenden Hautläsion mit der Handykamera aufnehmen und bewerten lassen. Die segmentierten Hautläsionen konnten mit einer Genauigkeit von 85.11% klassifiziert, das trainierte Netzwerk auf ein Android-Smartphone portiert und mit einer App angesteuert werden.

Deep-PPG (Strukturimpuls Forschungseinstieg)

Ansprechpartner: Prof. Dr. Andreas Breidenassel
Laufzeit: 2021-2023 (3 Jahre)
Partner: OSRAM Opto Semiconductors GmbH, Regensburg
Assoziierter Partner: Prof. Dr. O. Amft (FAU Erlangen)

Wissenschaftlicher Mitarbeiter: Maximilian Reiser

Herz-Kreislauf-Erkrankungen sind die häufigste Todesursache in Deutschland. Medizinische Wearables, die in Echtzeit vitale Parameter wie Blutdruck, Herzfrequenz und Sauerstoffgehalt im Blut messen, könnten helfen, diese Krankheiten frühzeitig zu erkennen und präventiv zu behandeln. Im Alltag oder beim Sport erfreuen sich die kleinen, tragbaren Minicomputer in Form von Fitnessarmbändern oder Smartwatches schon großer Beliebtheit. Auch in der Medizin werden sie mittlerweile immer häufiger eingesetzt. Das Problem ist hier allerdings, dass die mobilen Systeme nicht immer frei von Fehlern sind. So werden in den meisten Wearables Vitalparameter mithilfe des sogenannten PPG-Verfahrens (Photoplethysmographie) gemessen. Dabei kann es zu Signalstörungen kommen, wenn beispielsweise die Sensoren bei Bewegungen verrutschen. Die Medizin ist jedoch auf zuverlässige Messungen angewiesen. Genau hier setzt das neue Forschungsprojekt „Deep-PPG“ an der Hochschule Landshut unter Leitung von Prof. Dr. Andreas Breidenassel, an. Sein Ziel ist es, die Störanfälligkeit des PPG-Signals zu reduzieren und damit exaktere Messungen von Wearables in medizinischen Anwendungen zu ermöglichen. Am Projekt beteiligt ist das Unternehmen OSRAM Opto Semiconductors. Das Vorhaben wird gefördert durch das Bayerische Staatsministerium für Wissenschaft und Kunst (mehr).

Embedded Systems

EMG Biofeedback-System
Michael Hartl, Michael Gröber, Matthias Laber, Lisa-Maria Kirchner (Projektarbeit)
Michael Gröber, Paul Wingert (Projektarbeit)

Projektpartner: Gerald Gradl (Texas Instruments)

 

Im Rahmen einer Projektarbeit wurde ein mobiles Biofeedback-System entwickelt. Die Patienten sollen mithilfe des Systems bspw. ihr Bewusstsein verstärkt auf die gelähmten Bereiche richten, um diese gezielt zu trainieren. Ebenfalls kann es als Warnsystem z.B. für Personen in angespannter Körperhaltung (Büroarbeiten am Computer) oder auch als Trainingssystem für Sportler angewendet werden. Es wurde ein Signalweg zur Auswertung von Muskelpotential entworfen, anschließend simuliert und anhand eines Probeaufbaus vermessen.

In der darauffolgenden Projektarbeit wurde ein galvanisch entkoppeltes System, basierend auf einem Raspberry Pi entwickelt. Es wurde eine galvanisch entkoppelte Filterplatine und ein ADC Board, zur Messung von Muskelanspannung (EMG) mit anschließender digitalen Signalverarbeitung auf dem Einplatinenrechner entwickelt.

 




Konzeption und prototypische Umsetzung eines Tonometers

G. Witte, M. Tesik, V. Eilers (Projektarbeit)

Der Augeninnendruck ist maßgeblich für das Überlebens des Organs. Ist der Augeninnendruck dauerhaft erhöht, kann dies im späteren verlauf zu Schäden am Sehnerv führen. Die Projektgruppe hat einen mobilen Prototyp eines Tonometers aufgebaut. Neben Steuerungsplatine und Spulensystem wurde ein Powermanagementsystem entwickelt. Als Mikrocontroller wurde ein PIC24 genutzt und das Gehäuse wurde mittels 3D-Druck (Fused Deposition Modeling - FDM) aus Polyactid gefertigt.

AR, VR und Websimulationen

Ansprechpartner: Prof. Dr. Stefanie Remmele
Im Labor für digitale Medizintechnik werden im Rahmen von Lehrprojekten und Abschlussarbeiten VR-, AR- und 3D Webapplikationen für die Lehre entwickelt. Hierbei geht es vorrangig um die Darstellung von komplexen Sachverhalten wie elektrische oder magnetische Felder oder um die Virtualisierung von schlecht zugänglichen Technologien wie die Räumlichkeiten und Geräteschaften aus Radiologie oder Radioonkologie.

Virtual Reality

Planung radiologischer Räume
Artur Maleta (Masterarbeit)
Die Anwendung ist in Kooperation mit Philips DXR in Hamburg entstanden und dient zur Unterstützung in den frühen Phasen eines Raumplanungsprozesses, in denen oft nur Papierskizzen oder manuelle digitale Skizzen als Diskussionsgrundlage vorhanden sind. Weiterhin soll die Erstellung von Detailplänen im weiteren Verlauf eines Projekts ermöglicht werden. Ideen möglicher Raumaufteilungen sollen direkt virtuell mit realen Gerätemodellen und im echten Maßstab skizzierbar sein. Zusätzlich zur 2D-Raumaufteilungsplanung (Objektanordung) und 3D-Verifikation (visuelle Kontrolle) des Aufbaus kann der Raumaufbau in VR erlebt werden, um ihn für den Nutzer greifbarer zu machen und Planungsfehler (z.B. bezüglich Abstände oder Deckenhöhe) zu reduzieren. (pdf)
Gamification und VR-Apps für die Lehre
L. Rottmaier, F. Köhr, C. Steinberger, C. Huber, T. Held, J. Reindl, T. Diermeier, T. Schubert, A. Hanke, T. Huber (Projekt- Abschlussarbeiten)
Im Rahmen der Biomedizintechnischen Projektarbeit entstehen jährlich neue Applikationen für virtuelle Exkursionen in medizinische Räume. Hier lassen sich z.T. in Multiuseranwendungen virtuelle MRT Geräte selbst zusammenbauen, Röntgenbilder aufnehmen oder die therapeutischen Einstellungen von Linearbeschleunigern für die Bestrahlung von Tumoren verändern. Das Labor verfügt über Pico Neo 2, HTC Fokus 3, Google Cardboard und Daydream Hardware.

Augmented Reality

Werkzeuge für die Entwicklung von AR Apps
T. Feulner, M. Kaiser, R. Stolz

Augmented Reality Anwendungen spielen in vielen Industriebereichen eine zunehmend wichtige Rolle. Gleichzeitig drängt eine wachsende Zahl an Entwicklungstools, Assets und Bibliotheken auf den Markt.

Im Sommer 2019 hat eine Projektgruppe verschiedene Strategien zur Entwicklung von Augmented Reality Apps miteinander vergleichen (u.a. mit Unity, Vuforia, Wikitude, Aframe, AR.js, ...). Das Projektteam entwickelte für den Vergleich eine interaktive Simulation einer Röntgenröhre und verglich Entwicklungsaufwand, Robustheit der Anwendung und Nutzerzufriedenheit. Gerne hier selbst einmal ausprobieren (pdf):

3D Websimulationen

Projekt-/Hiwi-/Abschlussarbeiten: Artur Maleta, Roland Stolz, Julian Fischer

Im Rahmen einer smartVHB Förderung und verschiedener Hiwiarbeiten im Labor für Medizintechnik sind verschiedene 3D Websimulationen entwickelt worden, die das Experimentieren zuhause in der digital unterstützten Lehre ermöglichen. Hier können der Einfluss von elektrischen Parameter auf die Kenngrößen elektrischer und magnetischer Felder untersucht werden oder Patienten in MRT-, Röntgen- und CT- Scannern untersucht werden. Die Simulationen sind frei zugänglich unter Link.

Ältere Projekte

Digitaler Krankenhausworkflow

Prozessoptimierung und Digitalisierung im Krankenhaus
Frau Palga, B. Sindermann, J. Scherzl, E. Bornschlegl, A. Kaiser (Bachelorarbeit)

In verschiedenen Projektarbeiten in Zusammenarbeit mit dem LAKUMED Krankenhaus in Landshut-Achdorf wurden Prozesse im Krankenhaus analysiert und Optimierungspotentiale erforscht. So wurden zum Beispiel die Prozesse der Bestellung und Lagerung sowie die Verwendung von Operationsabdeckungen evaluiert oder auf der Intensivstation erforscht, welche Prozesse von einer Digitalisierung profitieren würden bzw. welche damit verbundenen Risiken relevant würden.

Medical Software Usability

Usability Testing - Für die Bewertung neuartiger Bedienkonzepte
L. Lang, J. Füßl, M. Lorentschk, M. Assmann, J. Eichler, R. Lübcke (Projekt- / Abschlussarbeiten)

In Zusammenarbeit mit den Herstellerfirmen (in der Vergangenheit Tomtec, mediCAD, Philips DXR) werden Methoden erforscht, wie neuartige Konzepte zur Bedienung medizinischer Software evaluiert und optimiert werden können. Hierunter fallen zum Beispiel interaktive Smartphone-, Web- oder AR Anwendungen.

Strukturierte Befundung

Strukturierte Befundung in der Radiologie und Sprachsteuerung
Regina Felix, Georg Gstöttner, Natascha Meilinger, Eva Stöger (Projektarbeit)

Im laufe der Projektarbeit wurde ein Konzept zur Sprachsteuerung von strukturierten Befundungstemplates entwickelt und die Auswirkung dieser in der Radiologie Mühleninsel quantifiziert. Es wurden die Konzepte Maussteuerung, Sprachsteuerung, Mischform und reines Diktat untersucht und miteinander verglichen.

Befundung med. Bilddaten mit KI

Classification using CNN-based feature engineering
Michael Uhl, Maximilian Reiser, Roland Stolz (Bachelorarbeiten)

In den Arbeiten wird untersucht, inwieweit die Unterdrückung von redundanten Bildmerkmalen durch eine Segmentierung und die Verwendung von vortrainierten Netzen (pdf), die Genauigkeit von Klassifizierungsansätzen beeinflusst. Dabei werden verschiedene Netzarchitekturen und Vorverarbeitungsstrategien untersucht.

 

Classification using rule-based feature engineering
Maximilian Reiser, Jakob Dexl, Lisa-Maria Kirchner (Projektarbeit)

Radiomics bezeichnet die Analyse von med. Bilddaten anhand Anatomie-beschreibender Merkmale (Features) wie das Volumen von Struktuen, Symmetriefaktoren oder Intensitätsverteilungen meist anhand von maschinell lernender Verfahren. In dem Projekt werden Bildanalysemethoden zur Erhebung solcher Merkmale erforscht und verglichen und  Konzepte für eine Ergebnisvisualisierung auf dem Befundungstool (SkyVue, Cerner ) erarbeitet.

 

Classification using unsupervised feature engineering
Denis Kahraman, Fritz Sollfrank, Christian Hofmann (Projektarbeit)
Leo Hurzlmeier (Bachelorarbeit) 

Im Rahmen dieses Projekts wird die Hauptkomponentenanalyse für verschiedene Fragestellungen rund um die automatische Bildbefundung untersucht.

Zum einen dient der nicht-überwachte Ansatz der Unterdrückung redundanter Bildinformation in einem Trainingsdatensatz.

Zum anderen, kann das Verfahren eingesetzt werden, um einen Bilddatensatz aus einem anderen Bilddatensatz zu schätzen. Zum Beispiel einen gesunden Datensatz aus einem kranken. Dies dient zum Beispiel der Detektion auffälliger Bereiche in einem Datensatz.

Deployment – KI Demonstrator

KI-Demonstrator für Bilder - Eine mobile Anwendung für die Analyse von Bildern
Serouj Khajarian, Alexander Paulik, Marius Reinhardt (Projektarbeit)

Im Rahmen des Projekts wurde untersucht, inwieweit künstlich intelligente Lösungen als tragbare Lösung zur Verfügung gestellt werden können. Es wurde eine Demonstrator-Anwendung entwickelt (pdf), die von einem USB-Stick aus gestartet und somit mobil auf beliebigen Rechnern ausgeführt werden kann. Ziel der Lösung ist es, neue Anwendungen zur Bildklassifizierung und -verarbeitung schneller bei medizinischen Anwendern testen und evaluieren zu können.

Trends in der Bedienung von HMIs

Trends in der Bedienung von HMIs

Projektarbeit 2015

Projektteam: Veronika Gaminek, Lea Lackermeier, Julia Thierauf
Projektpartner: S.I.E. Deutschland GmbH, Landshut

Ansprechpartner: Prof. Dr. Stefanie Remmele

In der Medizin- und Labortechnik wird vermehrt nach Möglichkeiten der Automatisierung gesucht, da der Kostendruck im Gesundheitswesen immer mehr zunimmt. Vor allem die Realisierung und Gestaltung der Benutzeroberflächen sind ein großes Thema. Das Design der sogenannten »Human Machine Interfaces« (HMI) von Medizingeräten hat sich dabei zu einem Spezialgebiet entwickelt. Es gibt viele Hersteller, die dieses Konzept in der Industrie realisieren, jedoch haben die wenigsten Kompetenzen im Bereich der Medizintechnik. Das Thema „Gerätebedienung“ ist in der Medizintechnik sehr aktuell und die Realisierung ist sehr anspruchsvoll.

Im Rahmen der Projektarbeit wurde der Fokus auf die moderne Variante der HMIs, den Touchpad-HMIs, gelegt. Es sollen Trends aus Befragungen der Hersteller von HMIs und Hersteller von Medizinprodukten/Laborgeräten ermittelt werden. Aus der Gegenüberstellung von der Befragungen lassen sich Opportunities für den HMI-Markt darstellen.

Den Link zum Poster finden Sie hier.

Berührungslose Ansteuerung von Medizinprodukten

Berührungslose Ansteuerung von Medizinprodukten

Projektarbeit WS 2016/2017

Kontakt: Prof. Dr. Stefanie Remmele

Partner: Dr. Heinze, Ayoda GmbH

Ausgehend vom globalen Trend, Systeme mit Gesten anzusteuern, ist die Gestensteuerung im Medizintechnik-Sektor kaum etabliert.Allerdings werden heutige Medizinprodukte immer leistungsfähiger und vielfältiger. Gleichzeitig steigt der Zeit- und Kostendruck im Gesundheitswesen. Dies steht im Konflikt mit der wachsenden Komplexität in der Bedienung von medizinischen Geräten.Berührungslose Ansteuerungskonzepte sind so zum Beispiel nicht nur im Sinne der Benutzerfreundlichkeit sondern auch im Sinne der Hygiene im sterilen Umfeld besonders interessant. Aktuell gibt es im medizinischen Bereich beispielsweise intelligente Monitore, die ihre Grafik auf die Entfernung des Betrachters anpassen, und durch vorprogrammierte Gesten steuerbar sind.Gesucht sind neue Bedienkonzepte, die den Workflow vereinfachen, indem sie die Bedienung von Medizinprodukten intuitiver, einfacher, schneller und letztendlich auch sicherer machen. Im Rahmen dieser Arbeit wurde unterschiedliche algorithmische Ansätze zur Gestenerkennung entwickelt und verglichen und ein Konzept für die klinische Nutzung erarbeitet.

SLIQ-Supplier Qualification

SLIQ-Supplier Qualification

Neben dem Netzwerk Medizintechnik ist an der Hochschule Landshut das mit EU-Mitteln geförderte Projekt SLIQ-Supplier Qualification angesiedelt. Zielsetzung des Projekts ist es, Unternehmen bei der Einführung oder dem Unterhalt eines effizienten, den regulatorischen Anforderungen entsprechenden QM-Systems und dessen Schulung bei den Mitarbeitern zu unterstützen. Erreicht soll dies werden durch Transparenz von Regulatorien und den Austausch mit Experten.

Projektdauer: Januar 2013 bis Dezember 2014

Projektfinanzierung: Europäischer Fond für Regionale Entwicklung (EFRE)                                                     Interreg / Europäische Territoriale Zusammenarbeit Bayern-                                     Österreich 2007-2013

zum Projekt SLIQ - Supplier Qualification

Multi-modale Bildgebung in der Strahlentherapie

Multi-modale Bildgebung in der Strahlentherapie

Bachelorarbeit von Frau Franziska Bauer 2015/2016

Ansprechpartner: Prof. Dr. Stefanie Remmele

Standardmäßig werden für die Planung und Simulation von Strahlentherapien dreidimensionale CT-Datensätze verwendet. Diese enthalten neben den anatomischen Informationen die für die Simulation benötigte Information über die Abschwächung von Strahlung im Gewebe. Gerade in der Darstellung von Weichgewebe wie Tumoren bieten andere Verfahren wie die MRT oder nuklearmedizinische Bildgebungsverfahren aber große Vorteile. Daher gab es in jüngster Zeit vermehrte Forschungs- und Entwicklungsaktivitäten im Bereich der Bildgebung für die Strahlentherapie und für die adaptive Strahlentherapie mithilfe hybrider Systeme (Tomotherapie, MR-Linac). Kommerzielle Planungsysteme bieten daher ebenfalls wachsende Funktionalität zur Verarbeitung und Verwendung von multi-modalen Bilddaten. Doch inwieweit haben diese Entwicklungen die Routinebehandlung von Patienten bereits erreicht? Welche Herausforderungen und Schwierigkeiten ergeben sich im klinischen Alltag bei der Verwendung von multi-modalen Bilddaten. Dies herauszufinden, war Aufgabe der vorliegenden Bachelorarbeit. Dazu wurden unter anderem 25 Radiotherapieeinrichtungen in Ober- und Niederbayern befragt.

Den Link zu der Arbeit finden Sie hier.

Simulation der Winkelfehlsichtigkeit des menschlichen Auges

Simulation der Winkelfehlsichtigkeit des menschlichen Auges

Studienarbeit, Informatik

Betreuung durch Prof. Dr. Barbara Höling und Prof. Dr. Gudrun Schiedermeier

Partner: staatl. geprüften Augenoptiker + Augenoptikermeister Ludwig Krinner & Thomas Paukner, Ergoldsbach

Ziel dieses Studienprojektes ist es, ein interaktives Computerprogramm zu entwickeln, mit dem die Winkelfehlsichtigkeit dem Kunden erklärt und die vom Spezialisten für beidäugiges Sehen (Stereosehen )  vorgeschlagenen Lösungen dargestellt werden können. Dabei sollte der Strahlengang in den beiden Einzelaugen des Kunden individuell veranschaulicht und die Wirkung verschiedener Brillengläser simuliert werden.

Modellierung von Workflow in klinischer Umgebung

Modellierung von Workflow in klinischer Umgebung

Bachelorarbeit: Frau Plaga, Wirtschaftsingenieurwesen

Betreuung durch Prof. Dr. Holger Timinger

Partner: Prof. Dr. med. Johannes Schmidt, La.KUMed Krankenhaus Achdorf

Ziel dieser Arbeit war es, die Prozesse, die eine Operationsabdeckung durchläuft, zu analysieren und zu optimieren. Dabei wurden die Prozesse Bestellung und Lagerung sowie die Verwendung der Operationsabdeckung genauer beleuchtet. Durch die Analyse der Prozesse sollte aufgezeigt werden, an welchen Stellen Optimierungspotenzial vorhanden ist und was unter Einhaltung geltender Gesetze und Schutzmaßnahmen verbessert werden kann.

In dem zu analysierenden Prozess wurden einige Schwachstellen aufgedeckt und optimiert. Dies war durch die Betrachtung und Untersuchung der Zusammenhänge zwischen dem Verbrauch und dem Be-stand der Operationsabdeckungen möglich. Die Bestände der verschiedenen Operationsabdeckungen konnten gesenkt und die Prozesssicherheit erhöht werden. Dies war möglich, indem die Verantwortung einem Prozessverantwortlichen übertragen wurde und der gesamte Prozess auf einen selbststeuernden Kanban-Prozess umgestellt wurde.