Simon Fonck, M.Sc. RWTH

Research Assisstent

Tel. +49 241 80 21161
Fax +49 241 80 22150

Email: fonck[at]embedded[dot]rwth-aachen[dot]de

Address: Ahornstr. 55, 52074 Aachen, Germany
Office: 2325

My research takes place within the ASIC use case of the SMITH-project. This includes research on methods for ensuring data quality, modeling patient treatments, and early detection of ARDS. Current theses in these areas are advertised on the Theses page. For more specific requests, I can be reached by email.

By arrangement

<color #00a2e8>WS 23/24</color>

• Erklärbarkeitsanalyse von Deep-Learning Modellen zur Erkennung von bilateralen Infiltraten in Röntgenbildern
• (Master) Framework zur automatisierten ARDS-Erkennung basierend auf KI-gestützten Verfahren
• (Master) Comparison of White Box and Black Box Models in the Context of Artificial Intelligence for ARDS Classification
• Few-Shot Learning für die Erkennung von bilateralen Infiltraten in Röntgenbildern

<color #00a2e8>SS 23</color>

• Evaluation der Robustheit von Deep Learning Methoden zur Klassifizierung von bilateralen Infiltraten in Thorax-Röntgenbilder
• Identifikation und Evaluation von Patientenclustern in intensivmedizinischen Datenbanken
• (Master) Active Learning for targeted data annotation and model training in intensive care data

<color #00a2e8>WS 22/23</color>

• (Master) Comparison of intensive care databases and transferability of AI-methods for the ARDS detection
• Automatische Erkennung von bilateralen Infiltraten in Röntgenbildern mit Hilfe von Vision Transformern
• (Master) Novelty Detection using Deep Learning-based Methods in Intensive Care Data
• (Master) An approach to explainable artificial intelligence in the context of medical care for ARDS patients
• (Master) Detection of ARDS in time series clinical data using Deep Learning models

<color #00a2e8>SS 22</color>

• Entwurf eines Frameworks zur Bewertung der Datenqualität in intensivmedizinischen Datenbanken am Beispiel ARDS
• Optimierung von Deep-Learning Modellen zur automatischen Erkennung von akutem Lungenversagen in Röntgenbildern
• Retrospektive Erkennung von ARDS mit Hilfe von Random-Forest Algorithmen
• Retrospektive Erkennung von ARDS mit Hilfe einer Support Vector Machine

<color #00a2e8>WS 21/22</color>

• (Master) Automatische Erkennung von bilateralen Infiltraten in Thoraxröntgenbildern mit Hilfe von Machine Learning

<color #00a2e8>SS 21</color>

• (Master) Data imputation & Data correction in Intensive Care Physiological Data
• Retrospektive Klassifizierung von ARDS-Verläufen in intensivmedizinischen Sekundärdaten

<color #00a2e8>WS 20/21</color>

• (Master) Interaktives Analysesystem für die algorithmische Novelty Detection in intensivmedizinischen Datensätzen
• (Master) Konstruktion eines Bayesschen Netzes zur Erkennung von ARDS
• Implementierung und Modellierung einer exemplarischen FHIR-Schnittstelle
• Transformation heterogener intensivmedizinische Datenbanken in das OMOP-CDM
• Erweiterung einer modellbasierten Klassifikation von ARDS-Patienten um physiologische Zusammenhänge

<color #00a2e8>SS 20</color>

• Erkennung von Sensorfehlern in intensivmedizinischen Datensätzen mithilfe von Novelty Detection
• Implementierung einer Diagnoseunterstützung auf Basis symptomatischer Zusammenhänge

<color #00a2e8>WS 19/20</color>

• Algorithmische Plausibilitätsprüfung intensivmedizinischer Patientendaten
• Implementierung einer modellbasierten Klassifikation von ARDS-Patienten

<BIBTEX: file=publikationen style=I11 sort=year filter=fonck>