TUM
Klinikum rechts der Isar Technische Universität München
Neuro-Kopf-Zentrum
Abteilung für Neuroradiologie


Forschungsgruppen und Projekte

 

Data - Mining


 

Kurzbeschreibung

Das Forschungsgebiet Data Mining beschäftigt sich mit der automatischen Gewinnung von neuem Wissen aus grossen Datenbeständen („Big Data“). Wir untersuchen neurowissenschaftliche Fragestellungen mit Data Mining Verfahren. Zentrale Fragestellungen sind beispielsweise die Erforschung der Gehirnaktivität im Ruhezustand, sowie die Erkennung von psychiatrischen und neurodegenerativen Erkrankungen aus funktionellen und strukturellen Magnetresonanztomographiebildern (MRT) und aus Diffusions-Tensorbildern (DTI) des Gehirns. Die Arbeitsgruppe beschäftigt sich vor allem mit der Anwendung und Weiterentwicklung von Clustering- und Klassifikationsverfahren, aber auch von Verfahren aus den Bereichen Graph-Mining und Outlier-Detection. Darüber hinaus wird mittels computergesteuerter Merkmalsauswahl der große Datenbestand sondiert um auf die wesentlichen Merkmale rückschließen zu können. Clustering-Verfahren geben eine Übersicht über die Datenstruktur, indem die Datenobjekte in Gruppen zusammengefasst werden. Klassifikationsverfahren benötigen als Eingabe zusätzlich zu den Daten eine Klasseninformation (z.B. gesund, krank) und lernen ein Modell aus den Daten, das zur Vorhersage verwendet werden kann. Wir greifen auf Klassifikationsverfahren zurück, um krankheitsbedingte Veränderungen im Gehirn besser zu verstehen.
Für bestimmte Fragestellungen ist jedoch eine adäquate Auflösung und Qualität der Bilddaten erforderlich, die durch die Limitationen des jeweiligen Bildgebungssystems nicht immer gegeben ist. Mittels statistischer Verfahren kann man diesem Problem entgegenwirken, um aus dem vorhandenen großen Bilddatenmaterial eine „Super Resolution“ zu erzielen.

Mitarbeiter

;
;
A. Zherdin

Kooperation

Dr. C. Plant, Nachwuchsgruppe Helmholtz-Gemeinschaft


 

Ausgewählte Publikationen

Plant, C. (2012). Dependency Clustering Across Measurement Scales. In: ACM SIGKDD Int. Conference on Knowledge Discovery and Data Mining (KDD), acceptance rate 17%.

Feng, J., He, X., Konte, B., Böhm, C. Plant, C. (2012). Summarization-based Mining Bipartite Graphs. In: ACM SIGKDD Int. Conference on Knowledge Discovery and Data Mining (KDD), acceptance rate 17%.

Plant, C., Thai, S. M., Shao, J., Theis, F. J., Meyer-Baese, A., Böhm, C. (2012). Measuring Non-Gaussianity by Phi-Transformed and Fuzzy Histograms. In: Advances in Artificial Neural Systems.

Shao, J., Plant, C., Yang, Q., Böhm, C. (2011). Detection of Arbitrarily Oriented Synchronized Clusters in High-dimensional Data. In: IEEE Int. Conf. on Data Mining (ICDM).

He, X., Feng, J., Plant, C. (2011). Automatically Spotting Information-rich Nodes in Graphs. In: IEEE ICDM Int. Workshop on Data Mining in Networks (DAMNet).

Plant, C., Böhm, C. (2011). INCONCO: Interpretable Clustering of Numerical and Categorical Objects. In: ACM SIGKDD Int. Conference on Knowledge Discovery and Data Mining (KDD), pp. 1127-1135.

Plant, C. (2011). SONAR: Signal De-mixing for Robust Correlation Clustering. In: SIAM Int. Conf. on Data Mining (SDM), pp. 319-330.

Müller, N., Haegler, K., Shao, J., Plant, C., Böhm, C. (2011). Weighted Graph Compression for Parameter-free Clustering with PaCCo. In: SIAM Int. Conf. on Data Mining (SDM), pp. 932-942.


Forschungsgruppen und Projekte Doktoranden, PhD, Diplomanden Auftragsforschung/Industriestudien Publikationen Postergalerie Auszeichnungen