Von aktueller Forschung an temporal-kontextbezogenen neuronalen Netzen bis zu produktionsreifen KI-Plattformen. Mein Portfolio verbindet akademische Durchbrüche mit Anwendungen in der Praxis.
Neuronale Netze mit temporalem Kontext für die Mikroskopie
Neuartiger Ansatz, der die U-Net-Architektur mit Multi-Head-Attention kombiniert, um erweiterten temporalen Kontext in der Einzelmolekül-Lokalisationsmikroskopie nutzbar zu machen. Bis zu 50 Frames temporaler Information erlauben eine deutlich höhere Lokalisationspräzision.
Erste Anwendung von Transformer-Attention-Mechanismen auf Mikroskopiedaten. Neuronale Netze korrelieren Emitter-Positionen über lange Zeitsequenzen hinweg und erreichen damit eine bislang nicht erreichte Lokalisationsgenauigkeit.
Effizienzwerte auf dem CRLB-Datensatz
Forschungswerkzeuge und Produktionssysteme von Computer Vision bis Sport-Analytics
Compressed Sensing + Deep Learning
Neuronale Netzwerkarchitektur, die Compressed Sensing mit Deep Learning für konfokale Lebenszeit-Lokalisationsmikroskopie verbindet. Veröffentlicht in BMC Bioinformatics, mit Stand-der-Technik-Präzision für unregelmäßige PSFs.
Sport-Analytics-Plattform
Produktionsreife KI-Plattform für Ausdauersport-Analytics. Full-Stack-Anwendung mit ML-gestützter Leistungsprognose, Trainingsoptimierung und Echtzeit-Analysen für Triathlon und Radsport.
Analyse biologischer Strukturen
Automatisiertes Analysewerkzeug für linienförmige biologische Strukturen mit Subpixel-Präzision. Erkennt Filamente in Mikroskopiedaten und berechnet Orientierung, Position sowie morphologische Parameter für die quantitative Biologie.
3D-Punktwolken-Renderer
Hochperformante OpenGL-Punktwolken-Implementierung mit Python-Schnittstelle. Echtzeit-Rendering und Filterung großer 3D-SMLM-Datensätze mit Millionen von Punkten, optimiert für interaktive wissenschaftliche Visualisierung.
Neuartige neuronale Netze mit temporalem Kontext für die Mikroskopie
Convolutional Layers extrahieren räumliche Merkmale einzelner Frames vor der temporalen Verarbeitung
Transformer-Attention lernt temporale Korrelationen über Sequenzen von 50 Frames
Probabilistische Lokalisation mit Unsicherheitsquantifizierung für jeden Emitter
| Methode | Effizienzwert | % Below CRLB | Kontext-Frames |
|---|---|---|---|
| AttentionUNet | 94 | 76.6% | 50 |
| DECODE | 91 | 39.9% | 3 |
| ThunderSTORM | 23 | 17.5% | 1 |
* CRLB = Cramér-Rao-Schranke (theoretische Mindestunsicherheit). Höhere Prozentwerte unter CRLB bedeuten bessere Präzision.
Moderne Werkzeuge und Frameworks als Grundlage für KI-Innovation
Python
PyTorch
TensorFlow
CUDA
OpenCV
OpenGL
Django
PostgreSQL
Docker
FastAPI
Git
GitHub
KI-Forschung für die wissenschaftliche Community zugänglich machen
Alle Forschungsprojekte umfassen vollständige Implementierungen, trainierte Modelle und Simulations-Engines. So können andere Forschende die Arbeit reproduzieren, erweitern und darauf aufbauen.
Sprechen wir darüber, wie diese KI-Innovationen Ihre Forschung voranbringen oder Ihre technischen Herausforderungen lösen können