鶹Ƶ

Forschung Gottfried Schatz Forschungszentrum

Forschungsschwerpunkt ʰDzԲ徱

Teamleiter: Gernot Plank

Fokus: Das CCL entwickelt Multiphysik-Computermodelle des Herzens mit Fokus auf verschiedene Anwendungen in der Grundlagenforschung sowie in translationalen Projekten. Die Forschung verfolgt drei Hauptrichtungen: methodische Entwicklungen fr Multiphysik Computermodelle zur Simulation der gesamten Herzfunktion, angewandte Grundlagenforschung, welche auf die Analyse von Mechanismen der Herzfunktion im gesunden und kranken Herzen unter Einsatz von Computermodellen abzielt, und die translationale Forschung, und der translationale Einsatz von Computermodellen als fr Design und Optimierung bzw. auf den Einsatz von , d.h. der Einsatz von Computermodellen in diagnostischen und therapeutischen Anwendungen.

Netzwerk: Der multidisziplinre Charakter unserer Forschung bedingt die Zusammenarbeit innerhalb eines großen Netzwerks von akademischen Forschungsgruppen und mit der Industrie. Zentrale Kooperationen umfassen die Bereiche der kardialen Elektrophysiologie (Labor Scherr, Med Uni Graz; , LIRYC, Bordeaux; , Kings College London), der Herz-Kreislauf-Mechanik (, Kings College London; , Berkeley, USA), der mathematischen Optimierung ( TUGraz), der Herzmodellierung ( USI, Lugano; Doessel Lab, Karlsruher Institut fr Technologie; Seemann Lab, Freiburg) und des wissenschaftlichen Rechnens (, KFU, Graz). Das CCL entwickelt unter anderem die akademische Forschungssoftware , die weltweit von zahlreichen fhrenden Herzmodellierungsgruppen bevorzugt verwendet wird.

Projekte

Optimierung einer Modellgenerierungs- und Simulationspipeline in der Katheterablationstherapie zur Erleichterung der klinischen Einfhrung

  • Ventrikulre Tachykardien (VT), die durch Myokardinfarkte vermittelt werden, sind eine hufige Ursache fr den plötzlichen Herztod. Die einzige kurative Behandlung fr Patienten mit persistierenden VTs ist die Katheterablation, bei der mittels hoher thermischer Energien gezielt Gewebe innerhalb des Ventrikels zerstört wird. Diese invasive Therapie ist jedoch mit langen Eingriffszeiten und hohen Komplikationsraten verbunden. Ziel dieses Projekts ist die Entwicklung einer neuartigen computer-basierten Methode zur przisen und robusten Identifizierung von optimalen Ablationspunkten, basierend auf patientenspezifischen anatomischen und funktionellen Daten.
  • Projektdauer: 2019-2021
  • Gefördert durch: Wellcome Trust Innovator Award
  • Projektpartner: Martin Bishop, Kings College London, UK

 

Messtechnik zur automatisierten Datenanalyse fr das Management von Herzrhythmusstörungen (MedalCare)

  • Die Elektrokardiographie (EKG) ist eine nicht-invasive und kostengnstige Methode zur klinischen Untersuchung und Überwachung von Patienten mit Herz-Kreislauf-Erkrankungen (KHK). Automatisierte Detektionssysteme und maschinelle Lerntechniken gewinnen fr die Diagnose und Überwachung von KHKs vermehrt an Bedeutung. Um jedoch algorithmisch getroffenen maschinellen Entscheidungen vertrauen zu können, ist eine standardisierte Validierung der zugrunde liegenden Algorithmen erforderlich. MedalCare entwickelt eine synthetische Datenbank an simulations-basierten EKGs, welche die Rckverfolgbarkeit von KHK-Datenanalysetechniken ermöglichen sollen. Solche validierte und rckverfolgbare Datenstze sind der Schlssel fr die Entwicklung neuer EKG-Gerte mit verbesserter Zuverlssigkeit.
  • Projektdauer: 2019-2021
  • Gefördert durch: Europische Kommission
  • Projektpartner*innen: Physikalisch Technische Bundesanstalt Berlin, Deutschland, National Physics Laboratory, UK, LNE, Frankreich, Karlsruher Institut fr Technologie, Deutschland, Technische Universitt Berlin, Deutschland, Kings College London, UK

Semantische Bildsegmentierung durch Deep Active Learning in medizinischen Bildgebungsanwendungen (SISDAL)

  • Die semantische Segmentierung ist eine der grundlegenden Herausforderungen fr maschinelles Lernen (ML) in der medizinischen Bildanalyse. Leider hngt das Training modernster ML-Modelle, die auf mehrschichtigen neuronalen Netzwerken basieren, von der Verfgbarkeit großer Mengen hochwertig annotierter Daten ab. Daher ist der Einsatz von Deep Learning fr viele Unternehmen wirtschaftlich anspruchsvoll oder gar nicht möglich. Die Forschungspartner, MedUni und ICG, wollen gemeinsam mit dem KMU KML VISION den Kunden modernste Technologien entwickeln, indem sie das Training eines mehrschichtigen neuronalen Netzwerks in eine aktive Lernstrategie integrieren.
  • Laufzeit: 2020-2021
  • Gefördert durch: Österreichische Forschungsförderungsgesellschaft mbH (FFG)
  • Projektpartner*innen: Ludwig Boltzmann Institut fr Klinisch Forensische Bildgebung (LBI CFI), Technische Universitt Graz, Institut fr Maschinelles Sehen und Darstellen (ICG), KML VISION OG (KML)

Multiskalen-Modellierung von Herzklappenerkrankungen

  • Die Inzidenz von Herzklappenerkrankungen nimmt dramatisch zu und wird zu einer schweren Belastung fr das Gesundheitssystem. Obwohl die Mehrheit der Patienten mit verschiedenen chirurgischen oder interventionellen Methoden effektiv behandelt wird, besteht ein großer Bedarf an einem besseren Verstndnis von Krankheitsmechanismen und einer przisen Behandlungsplanung. Das Hauptziel des Projekts ist die Entwicklung und Validierung von Computermodellen zur Untersuchung von Mechanismen, die fr den Übergang von adaptiver zu maladaptiver Hypertrophie (einschließlich geschlechtsspezifischer Unterschiede) verantwortlich sind, um die Entscheidungsfindung in nicht eindeutigen komplexen Fllen zu optimieren.
  • Laufzeit: 2020-2023
  • Gefördert durch: SICVALVES erhlt Mittel aus dem Forschungs- und Innovationsprogramm Horizon 2020 der EU im Rahmen der ERA-NET-Kofinanzierungsaktion Nr. 680969 (ERA-CVD SICVALVES), die vom Österreichischen Wissenschaftsfonds (FWF), Grant I 4652-B, gefördert wird.
  • Projektpartner*innen: Universitt Bordeaux, IMB Unit 5251 – IHU Liryc, Campus Xavier Arnozan, Bordeaux, Frankreich, Charité - Universitätsmedizin Berlin Campus Virchow-Klinikum, Institut fr kardiovaskulre Computer-assistierte Medizin, Berlin, Germany

Lehrstuhl fr Biophysik

Univ.-Prof. Priv.-Doz. Dipl.-Ing. Dr.
Gernot Plank 
T: +43 316 385 71526
Gernot Plank

Team

Mitarbeiter*innen