Robuste Segmentierung abdominaler Aortenaneurysmen durch anatomieinformiertes Deep Learning

Projektzusammenfassung

Dieses Promotionsforschungsprojekt befasst sich mit der automatisierten Segmentierung abdominaler Aortenaneurysmen in CT-Aufnahmen mithilfe von Deep Learning. Ziel ist die Entwicklung robuster Verfahren, die unterschiedliche Anatomien und schwer erkennbare Gefäßgrenzen zuverlässig erfassen. Hierfür werden U-Net-basierte und weitere moderne Architekturen der medizinischen Bildsegmentierung untersucht. Ein besonderer Schwerpunkt liegt auf der Integration anatomischen Wissens durch Organmasken und räumliche Einschränkungen, um Fehlsegmentierungen in benachbarten Gewebestrukturen zu reduzieren. Zudem wird erforscht, wie auch mit einer begrenzten Anzahl annotierter Patientendaten eine gute Generalisierungsfähigkeit erreicht werden kann. Die Segmentierungen bilden die Grundlage für patientenspezifische 3D-Gefäßmodelle und morphologische Analysen. Langfristig soll die Forschung reproduzierbare Bildanalysen ermöglichen und die computergestützte klinische Beurteilung von Aortenaneurysmen unterstützen.

Das Modell segmentiert den aneurysmatischen Bereich einschließlich Thrombus.
Orange: manuelle Referenzkontur       Rot: Modellvorhersage

Lebenslauf von Osamah Sufyan

Osamah Sufyan ist seit August 2025 Doktorand im Forschungskolleg Data2Health an der Hochschule Koblenz. Dort erforscht er anatomieinformierte Deep-Learning-Verfahren zur Segmentierung abdominaler Aortenaneurysmen. Zuvor war er als Forscher an der TU Ilmenau sowie am Max-Planck-Institut für Struktur und Dynamik der Materie tätig. Sein Studium absolvierte er an der University of Oxford und der TU Berlin. Seine Forschungsschwerpunkte liegen in den Bereichen Maschinelles Lernen, medizinische Bildverarbeitung und wissenschaftliches Programmieren.