Wissenschaftlicher Mitarbeiter

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

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

Adresse: Ahornstr. 55, 52074 Aachen, Germany
Büro: 2325

Meine Forschung findet im Rahmen des ASIC Anwendungsfalls des SMITH-Projektes statt. Darin wird unter Anderem an Methoden zur Sicherstellung von Datenqualität, Modellierung von Patientenbehandlungen und (Früh-)Erkennung des Krankheitsbilds ARDS geforscht. Aktuelle Abschlussarbeiten in diesen Bereichen werden auf der Abschlussarbeiten-Seite ausgeschrieben. Bei konkreteren Anfragen bzw. Nachfragen bin ich per Mail zu erreichen.

Nach Vereinbarung

<color #00a2e8>SS 24</color>

• Data and Process Visualization Tool for a Machine Learning Framework for ARDS Classification
• Feature selection and data preprocessing methods in the context of AI-based ARDS classification in time-series data

<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>