Abteilung für Translationale Chirurgische Onkologie

Augmented-Reality-Visualisierung durch Überlagerung virtueller Bilder: Tumoren (gelb), Gefäßbaum (blau), Leber (rot).

Die interdisziplinäre Abteilung „Translationale Chirurgische Onkologie (TCO)” forscht an computer- und robotergestützten chirurgischen Systemen an der Schnittstelle von Ingenieurwesen, Informatik und Medizin. Unser übergeordnetes Ziel ist es, die Therapie entlang des chirurgischen Behandlungspfads zu optimieren und die Behandlungsergebnisse durch den Einsatz von Künstlicher Intelligenz, Robotik und Sensortechnologie zu verbessern. Ein zentrales Anliegen ist es, chirurgische Fähigkeiten und Expertise mithilfe von Surgical Data Science, Robotik und neuartigen Sensorsystemen zu quantifizieren und dieses Wissen in intelligente Maschinensysteme zu übertragen. Unsere Forschung konzentriert sich auf drei wesentliche Säulen, die die nächste Generation robotergestützter Chirurgie vorantreiben sollen: maschinelles Lernen zur videobasierten Analyse chirurgischer Arbeitsabläufe, Navigation in Weichgewebe sowie die teilautomatisierte Ausführung robotergestützter chirurgischer Eingriffe.
Um dem derzeitigen Mangel an verfügbaren Daten zu begegnen, entwickeln wir Methoden zur synthetischen Generierung und Simulation realistischer Trainingsdatensätze. Darüber hinaus führen wir Proof-of-Concept-Studien durch, um die klinische Anwendbarkeit und Translation unserer Forschung sicherzustellen.

Kontakt

Prof. Dr. Stefanie Speidel
Translationale Chirurgische Onkologie
Telefon: +49 (0)351 458 5413
E-Mail: Stefanie.speidel(at)nct-dresden.de

Rivoir, D., Funke, I., & Speidel, S. (2024). On the pitfalls of batch normalization for end-to-end video learning: A study on surgical workflow analysis. Medical Image Analysis, 103126.
Kolbinger, F. R., Rinner, F. M., Jenke, A. C., Carstens, M., Krell, S., Leger, S., ..., Speidel, S., & Bodenstedt, S. (2023). Anatomy segmentation in laparoscopic surgery: comparison of machine learning and human expertise–an experimental study. International Journal of Surgery, 109(10), 2962-2974.
Wagner, M., Müller-Stich, B. P., Kisilenko, A., Tran, D., Heger, P., Mündermann, L., ... & Speidel, S., Bodenstedt, S. (2023). Comparative validation of machine learning algorithms for surgical workflow and skill analysis with the heichole benchmark. Medical image analysis, 86, 102770.
Bhasker, N., Kolbinger, F. R., Skorobohach, N., Zwanenburg, A., Löck, S., Weitz, J., ... & Kühn, J. P. (2023). Prediction of clinically relevant postoperative pancreatic fistula using radiomic features and preoperative data. Scientific Reports, 13(1), 7506.
Kolbinger, F. R., Bodenstedt, S., Carstens, M., Leger, S., Krell, S., Rinner, F. M., ... & Speidel, S. (2023). Artificial Intelligence for context-aware surgical guidance in complex robot-assisted oncological procedures: An exploratory feasibility study. European Journal of Surgical Oncology, 106996.

Weitere Publikationen