Frau M. Sc.

Annika Liebgott

Wissenschaftliche Mitarbeiterin
Institut für Signalverarbeitung und Systemtheorie

Kontakt

0049 711 685-67359
0049 711 685-67311

Pfaffenwaldring 47
70550 Stuttgart
Deutschland
Raum: 2.275

Sprechstunde

nach Vereinbarung

Fachgebiet

Meine Forschung in Kooperation zwischen dem ISS und der Radiologischen Abteilung des Universitätsklinikums Tübingen befasst sich mit der Medizinischen Bildverarbeitung mithilfe von Methoden des maschinellen Lernens. Ein besonderer Schwerpunkt liegt dabei auf der vergleichenden Analyse verschiedener Techniken. Dabei kommen verschiedene Methoden aus dem Bereich des maschinellen Lernens zum Einsatz, unter anderem:

  • Merkmalsextraktion und -Analyse
  • Merkmalsbasierte Klassifikatoren wie Support Vector Machine oder Random Forest
  • Klassifikatoren aus dem Bereich Deep Learning, insbesondere CNN-Architekturen
  • Active Learning

Der medizinische Fokus liegt dabei auf onkologischen Anwendungen. Aktuell existieren neben kleineren Einzelaufgaben zwei Forschungsschwerpunkte:

Automatisierte Segmentierung von Lungentumoren in PET/CT-Bildern

Verschiedene Techniken werden untersucht, mit deren Hilfe die Primärtumore von Patienten mit nichtkleinzelligem Bronchialkarzinom segmentiert werden sollen. Hierfür werden Positronen-Emissions-Tomographie (PET)- und Computertomographie (CT)-Aufnahmen verwendet.

Der Fokus der Forschung liegt dabei insbesondere auf der Tumorsegmentierung mit möglichst wenig Trainingsdaten, sodass neben Klassifikatoren zur Bildsegmentierung auch Techniken wie Active Learning eingesetzt werden.

Bildbasierte Vorhersage des Therapieansprechens von Melanom-Patieten auf Immuntherapie mithilfe von Methoden des maschinellen Lernens

Das Maligne Melanom (auch "schwarzer Hautkrebs") zeichnet sich im fortgeschrittenen Stadium durch schnelle und breite Metastasierung aus. Konventionelle Therapien wie Chemo- oder Strahlentherapie sind beim metastasierten Melanom deshalb oft nicht effektiv, sodass die Erkrankung hohe Rezidivraten und niedrige 10-Jahres-Überlebensraten gekennzeichnet ist. Die Therapie mithilfe spezieller Antikörper, sogenannter Immun-Checkpoint-Inhibitoren, die das körpereigene Immunsystem dazu anregen soll, die Krebszellen selbstständig zu bekämpfen, konnte seit ihrer Zulassung im Jahr 2011 einer großen Zahl von Patienten mit fortgeschrittenem Melanom helfen. Leider zeigen die Antikörper aber nur bei einem Teil der Patienten Wirkung und bislang ist es nicht möglich, vor Therapiebeginn vorherzusagen, ob ein Patient auf die Behandlung ansprechen wird, oder nicht.

Ziel dieses Projekts ist die Entwicklung einer non-invasiven Vorhersagemöglichkeit für das individuelle Therapieansprechen von Melanom-Patienten aus radiologischen Routineaufnahmen mithilfe von Methoden des maschinellen Lernens. Verwendet werden hierzu Hybridbilder aus Positronen-Emissions-Tomographie (PET) und Magnetresonanztomographie (MRT) von Patienten, deren Therapieansprechen bekannt ist und von denen im Verlauf der Therapie wiederholt Aufnahmen zur Kontrolle des Behandlungsfortschritts gemacht wurden.

Die Arbeit an diesem Projekt erfolgt mit freundlicher Unterstützung der Vector Stiftung Logo_Vector_Stiftung_RGB_300px

Studentische Arbeiten (BA/FA/SA/MA)

Die Anfertigung studentischer Arbeiten ist grundsätzlich auf den beiden Schwerpunktthemen möglich, teilweise existieren sich auch weitere Aufgabenstellungen aus anderen Anwendungen. Die genauen Themen für eine Arbeit und welche Methodiken des maschinellen Lernens eingesetzt werden, ergeben sich aus der aktuellen Forschung und der Art bzw. dem Umfang der Arbeit. Je nach Aufgabenstellung sind dafür Programmierkenntnisse in Matlab und/oder Python nötig, Erfahrung mit Tensorflow sind bei Aufgaben aus dem Breich Deep Learning von Vorteil. Ob eine Arbeit angeboten werden kann, hängt grundsätzlich von der Anzahl bereits laufender Arbeiten sowie der Existenz passender Aufgabenstellungen ab.

ImFEATbox: Matlab-Toolbox für die Extraktion und Analyse von Bildmerkmalen

Die auf GitHub verfügbare Toolbox beinhaltet verschiedene Algorithmen zur Merkmalsextraktion und Merkmalsreduktion. Sie wurde am ISS und dem Universitätsklinikum Tübingen entwickelt und in verschiedenen Projekten zur (medizinischen) Bildverarbeitung eingesetzt: ImFEATbox

2019

A. Liebgott, T. Haueise, T. Küstner, K. Nikolaou, B. Yang, S. Gatidis
Active Learning for the Adaption of Trained CNN Models for detection of Motion Artifacts to new Data
Proceedings of the 36th Annual Scientific Meeting ESMRMB 2019, Rotterdam, Netherlands, October 2019

A. Liebgott, D. Hinderer, K. Armanious, A. Bartler, K. Nikolaou, S. Gatidis and B. Yang
Prediction of FDG uptake in Lung Tumors from CT Images Using Generative Adversarial Networks
Proceedings of the IEEE European Signal Processing Conference EUSIPCO 2019, A Coruna, Spain, September 2019,
 
Liebgott, A., Yi, J., Küstner, T., Nikolaou, K., Yang, B. & Gatidis, S.
Reinforcement Learning for Automated Reference-free MR Image Quality Assessment.
Proceedings of the Annual Meeting of the International Society for Magnetic Resonance in Medicine (ISMRM) 2019, Montreal, Canada, May 2019.

Liebgott, A., Steyer-Ege, J., Hepp, T., Küstner, T., Nikolaou, K., Yang, B. & Gatidis, S.
Feature Reduction and Selection: a Study on their Importance in the Context of Radiomics.
Proceedings of the Annual Meeting og the International Society for Magnetic Resonance in Medicine (ISMRM) 2019, Montreal, Canada, May 2019.
 

2018

A. Liebgott, T. Küstner, H. Strohmeier, T. Hepp, P. Mangold, P. Martirosian, F. Bamberg, K. Nikolaou, B. Yang and S. Gatidis
ImFEATbox: a toolbox for extraction and analysis of medical image features
International Journal of Computer Assisted Radiology and Surgery, (2018), Volume 13, Issue 12, pp 1881–1893. Springer Verlag, ISSN 861-6410, doi: https://link.springer.com/article/10.1007%2Fs11548-018-1859-7

Küstner, T., Gatidis, S., Liebgott, A., Schwartz, M., Mauch, L., Martirosian, P., Schmidt, H., Schwenzer, N., Nikolaou, K., Bamberg, F., Yang, B. & Schick, F.
A machine-learning framework for automatic reference-free quality assessment in MRI.
Magnetic Resonance Imaging, 53, 134 - 147. doi: https://www.sciencedirect.com/science/article/pii/S0730725X18302893?via%3Dihub 2018.
 
Milde, S., Liebgott, A., Wu, Z., Feng, W., Yang, J., Mauch, L., Martirosian, P., Bamberg, F., Nikolaou, K., Gatidis, S., Schick, F., Yang, B. & Küstner, T.
Graphical User Interface for Medical Deep Learning - Application to Magnetic Resonance Motion Artifact Detection
Proceedings of the IEEE Asia-Pacific Signal and Information Processing Association (APSIPA), Honolulu, Hawaii, 2018.
 

A. Liebgott, D. Boborzi, S. Gatidis, F. Schick, K. Nikolaou, B. Yang and T. Küstner
Active learning for automated reference-free MR image quality assessment: decreasing the number of required training samples by reduction of intra-batch redundancy
Proceedings of the joint Annual Meeting ISMRM-ESMRMB 2018, June 2018, Paris, France.

Küstner, T., Jandt, M., Liebgott, A., Mauch, L., Martirosian, P., Bamberg, F., Nikolaou, K., Gatidis, S., Yang, B. & Schick, F.
Motion artifact quantification and localization for whole-body MRI
Proceedings of the joint Annual Meeting ISMRM-ESMRMB 2018, June 2018, Paris, France.

Küstner, T., Liu, K., Liebgott, A., Mauch, L., Martirosian, P., Bamberg, F., Nikolaou, K., Yang, B., Schick, F. & Gatidis, S.
Simultaneous detection and identification of MR artifact types in whole-body imaging
Proceedings of the joint Annual Meeting ISMRM-ESMRMB 2018, June 2018, Paris, France.

A. Liebgott, S. Gatidis, F. Liebgott, K. Nikoalou and B. Yang
Automated Detection of High FDG Uptake Regions in CT Images
Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 2018, April 2018, Calgary, Canada.

Küstner, T., Jandt, M., Liebgott, A., Mauch, L., Martirosian, P., Bamberg, F., Nikolaou, K., Gatidis, S., Schick, F. and Yang, B.
Automatic Motion Artifact Detection for Whole-Body Magnetic Resonance Imaging
Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 2018, April 2018, Calgary, Canada.

Liebgott, A., Milde, S., Jandt, M., Mauch, L., Martirosian, P., Bamberg, F., Schick, F., Nikolaou, K., Yang, B., Gatidis, S. and Küstner, T.
Impact of Labeling Process on Automated Motion Artifact Detection in Whole-Body MR Images with a Deep Learning Approach: A Comparative Study
Proceedings of the ISMRM Workshop on Machine Learning, March 2018, Pacific Grove, CA, USA.

2017

T. Küstner, A. Liebgott, L. Mauch, P. Martirosian, F. Bamberg, K. Nikolaou, B. Yang, F. Schick, S. Gatidis
Automated reference-free detection of motion artifacts in magnetic resonance images
Magnetic Resonance Materials in Physics, Biology and Medicine, 2017.

T. Küstner, A. Liebgott, L. Mauch, P. Martirosian, F. Schick, F. Bamberg, K. Nikolaou, B. Yang, S. Gatidis
Automatic reference-free motion artifact detection and quantification in T1-weighted MR images of the head and abdomen
Proceedings of the Annual Scientific Meeting ESMRMB, October 2017, Barcelona, Spain.

A. Liebgott, S. Gatidis, P. Martirosian, F. Schick, B. Yang and T. Küstner
ImFEATbox: An MR Image Processing Toolbox for Extracting and Analyzing Features
Proceedings of the Annual Meeting ISMRM 2017, April 2017, Honolulu, Hawaii, USA.

T. Küstner, A. Liebgott, L. Mauch, P. Martirosian, K. Nikolaou, F. Schick, B. Yang and S. Gatidis
Automatic reference-free detection and quantification of MR image artifacts in human examinations due to motion
Proceedings of the Annual Meeting ISMRM 2017, April 2017, Honolulu, Hawaii, USA.

S. Gatidis, A. Liebgott, M. Schwartz, P. Martirosian, F. Schick, K. Nikolaou, B. Yang and T. Küstner
Automated reference-free assessment of MR image quality using an active learning approach: comparison of Support Vector Machine versus Deep Neural Network classification
Proceedings of the Annual Meeting ISMRM 2017, April 2017, Honolulu, Hawaii, USA.

T. Küstner, P. Wolf, M. Schwartz, A. Liebgott, F. Schick, S. Gatidis and B. Yang
An easy-to-use image labeling platform for automatic Magnetic Resonance Image Quality Assessment
Proceedings of the 14th IEEE International Symposium on Biomedical Imaging ISBI 2017, April 2017, Melbourne, Australia.

2016

S. Gatidis, A. Liebgott, H. Schmidt, NF. Schwenzer, P. Martirosian, K. Nikolaou, F. Schick, B. Yang and T. Küstner
Automated image quality assessment in whole-body MRI
Proceedings of the Annual Meeting RSNA, November 2016, Chicago, USA.

T. Küstner, M. Schwartz, A.Liebgott, P. Martirosian, S. Gatidis, NF. Schwenzer, F. Schick, H. Schmidt and B. Yang
An Active Learning platform for automatic MR image quality assessment
Proceedings of the Annual Meeting ISMRM 2016, May 2016, Singapore.

A. Liebgott, T. Küstner, S. Gatidis, F. Schick and B. Yang
Active Learning for Magnetic Resonance Image Quality Assessment
Proceedings of the 41th IEEE International Conference on Acoustics, Speech and Signal Processing ICASSP 2016, March 2016, Shanghai, China.

Zum Seitenanfang