Liebe StudentInnen,
Imaging Flow Cytometry kombiniert die Leistungsfähigkeit der Hochdurchsatz-Durchflusszytometrie mit detaillierter Bildgebung, um einzelne Zellen in einem beispiellosen Ausmaß zu analysieren. Mit der Explosion von Daten, die diese Technik erzeugt, bietet „Self-supervised Learning“ einen innovativen Ansatz, um nicht beschriebene Daten zu nutzen und sinnvolle Muster und Einblicke, ohne umfangreiche manuelle Anmerkungen aufzudecken. Eine Möglichkeit hier ist „Contrastive Learning“ auf Zellebene zu untersuchen.
Aufgaben umfassen unteranderem:
Literaturrecherche zum Stand der Technik im Bereich „Representation Learning“ für Bilddaten Verbesserung vorhandener Ansätze Benchmarking unterschiedlicher Ansätze Ablation Studien
Mitzubringen (am besten) sind:
Studium in Informatik/Ingenieurwesen, Biomedizinische Technik oder verwandte Bereiche Grundkenntnisse in Deep Learning und Bildverarbeitung Erfahrung mit Programmierung in Python Erfahrung mit Bildverarbeitungsbibliotheken in Python wie OpenCV. Erfahrung mit Python-basierten Deep Learning Frameworks (PyTorch, JAX oder TensorFlow)
Benefits:
Einarbeitung Home-Office möglich Sprache Deutsch / Englisch
Interessant für Sie? Bitte senden Sie eine E-Mail mit Ihrem Lebenslauf und Motivationsschreiben an die untenstehende Kontaktperson.
Karlsruhe Institute of Technology (KIT) Institute for Automation and Applied Informatics (IAI) Automated Image and Data Analysis (AIDA) Machine Learning for Time Series and Images (ML4TIME)
Angelo Jovin Yamachui Sitcheu, M.Sc.
Hermann-von-Helmholtz-Platz 1
Building 449, Room 330 76344 Eggenstein-Leopoldshafen
Phone: +49 721 608 25755 E-Mail: angelo.sitcheu@kit.edu
KIT - The Research University in the Helmholtz Association