2022
Praschl C. Auserperg-Castell P., Forster-Heinlein B., Zwettler G. (2021). Segmentation and Multi-Facet Classification of Individual Logs in Wooden Piles. In Computer Aided Systems Theory Extended Abstract.
Link: https://eurocast2022.fulp.ulpgc.es/sites/default/files/Eurocast_2022_Extended_Abstract_Book.pdf
Abstrakt
Die Prüfung von Produkten und die Bewertung der Qualität ist in vielen Bereichen der Industrie mit hohem Kosten- und Zeitaufwand verbunden. Dies gilt auch für die Forstwirtschaft. Der Einsatz modernster Deep-Learning-Modelle ermöglicht es, die Analyse von Holzpfählen auf visuellem Wege zu automatisieren. In dieser Arbeit wird ein paralleler zweistufiger Ansatz für die Segmentierung und facettenreiche Klassifizierung einzelner Stämme nach Holzart und -qualität vorgestellt. Der vorliegende Ansatz basiert auf einer vorgelagerten Stammlokalisierung und ermöglicht so die Bestimmung der Qualität, des Volumens und auch des Wertes einzelner Stämme bzw. des gesamten Holzstapels. Die Verwendung eines YOLOv4-Modells zur Holzartenklassifizierung für Douglasien, Kiefern und Lärchen führt zu einer Genauigkeit von 74,53%, während ein Qualitätsklassifizierungsmodell für Fichtenstämme 86,58% erreicht. Darüber hinaus erreicht das trainierte U-NET-Segmentierungsmodell eine Genauigkeit von 93\%. In Zukunft sollen der zugrunde liegende Datensatz und die Modelle weiter verbessert und in eine mobile Anwendung für die Vor-Ort-Analyse von Holzstapeln durch Förster integriert werden.
Jorge Munoz-Gama, Niels Martin, Carlos Fernandez-Llatas, Owen A. Johnson, Marcos Sepúlveda, Emmanuel Helm, Victor Galvez-Yanjari, Eric Rojas, Antonio Martinez-Millana, Davide Aloini, Ilaria Angela Amantea, Robert Andrews, Michael Arias, Iris Beerepoot, Elisabetta Benevento, Andrea Burattin, Daniel Capurro, Josep Carmona, Marco Comuzzi, Benjamin Dalmas, Rene de la Fuente, Chiara Di Francescomarino, Claudio Di Ciccio, Roberto Gatta, Chiara Ghidini, Fernanda Gonzalez-Lopez, Gema Ibanez-Sanchez, Hilda B. Klasky, Angelina Prima Kurniati, Xixi Lu, Felix Mannhardt, Ronny Mans, Mar Marcos, Renata Medeiros de Carvalho, Marco Pegoraro, Simon K. Poon, Luise Pufahl, Hajo A. Reijers, Simon Remy, Stefanie Rinderle-Ma, Lucia Sacchi, Fernando Seoane, Minseok Song, Alessandro Stefanini, Emilio Sulis, Arthur H.M. ter Hofstede, Pieter J. Toussaint, Vicente Traver, Zoe Valero-Ramon, Inge van de Weerd, Wil M.P. van der Aalst, Rob Vanwersch, Mathias Weske, Moe Thandar Wynn, Francesca Zerbato. Process Mining for Healthcare: Characteristics and Challenges, Journal of Biomedical Informatics. 2022.
DOI: https://doi.org/10.1016/j.jbi.2022.103994
Abstrakt
Process-Mining-Techniken können zur Analyse von Geschäftsprozessen anhand der während ihrer Ausführung aufgezeichneten Daten eingesetzt werden. Diese Techniken werden in einer Vielzahl von Bereichen eingesetzt, darunter auch im Gesundheitswesen, wo sie sich hauptsächlich auf die Analyse von Diagnose-, Behandlungs- und Organisationsprozessen konzentrieren. Trotz der riesigen Datenmengen, die in Krankenhäusern von Mitarbeitern und Maschinen erzeugt werden, die an Gesundheitsprozessen beteiligt sind, gibt es keine Anzeichen für eine systematische Anwendung von Process Mining, die über gezielte Fallstudien in einem Forschungskontext hinausgeht. Bei der Entwicklung und Anwendung von Process Mining im Gesundheitswesen müssen die besonderen Merkmale von Gesundheitsprozessen, wie ihre Variabilität und ihre patientenzentrierte Ausrichtung, gezielt berücksichtigt werden. Vor diesem Hintergrund wurde die Process-Oriented Data Science in Healthcare Alliance gegründet, um die Erforschung und Anwendung von Techniken zur datengesteuerten Verbesserung von Prozessen im Gesundheitswesen voranzutreiben. Dieses Paper, eine Initiative der Allianz, stellt die charakteristischen Merkmale des Gesundheitswesens vor, die für einen erfolgreichen Einsatz von Process Mining berücksichtigt werden müssen, sowie offene Herausforderungen, die von der Gemeinschaft in Zukunft angegangen werden müssen.
C. Praschl, O. Krauss. Geo-Referenced Occlusion Models for Mixed Reality Applications Using the Microsoft HoloLens. Proceedings of the 17th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, Volume 3: IVAPP. 2022.
DOI: https://doi.org/10.5220/0010775200003124
Abstrakt
Notfallhelfer oder Einsatzkräfte können von Mixed Reality (MR)-Trainings im Freien profitieren, da sie realistischere und erschwinglichere Simulationen von Notfällen in der realen Welt ermöglichen. Die Nutzung von MR-Geräten für Outdoor-Situationen erfordert die Kenntnis realer Objekte im Trainingsgebiet, um ein realistisches Eintauchen sowohl in die reale als auch in die virtuelle Welt auf der Grundlage visueller Verdeckungen zu ermöglichen. Aufgrund der räumlichen Beschränkungen moderner MR-Geräte bei der Erkennung von weit entfernten realen Objekten stellen wir einen Ansatz für die gemeinsame Nutzung georeferenzierter 3D-Geometrien auf mehreren Geräten vor, der das CityJSON-Format für Verdeckungszwecke im Kontext der georäumlichen MR-Visualisierung nutzt. Unsere Ergebnisse zeigen, dass die vorgestellte Methodik eine genaue Konvertierung von Okklusionsmodellen in georeferenzierte Darstellungen ermöglicht, basierend auf einer quantitativen Bewertung mit einem durchschnittlichen Fehler je nach Position der Scheitelpunkte von 1,30E-06 bis 2,79E-04 (Sub-Millimeter-Fehler) unter Verwendung einer normalisierten Summe der quadratischen Fehler. Für die Zukunft planen wir, auch 3D-Rekonstruktionen von Smartphones und Drohnen einzubeziehen, um die Anzahl der unterstützten Geräte zur Erstellung georeferenzierter Okklusionsmodelle zu erhöhen.
C. Praschl, G. Zwettler. Three-Step Approach for Localization, Instance Segmentation and Multi-Facet Classification of Individual Logs in Wooden Piles. Proceedings of the 11th International Conference on Pattern Recognition Applications and Methods. 2022.
DOI: https://doi.org/10.5220/0010892100003122
Abstrakt
Die Prüfung von Produkten und die Bewertung der Qualität ist in vielen Bereichen der Industrie mit hohem Kosten- und Zeitaufwand verbunden. Dies gilt auch für die Forstwirtschaft. Der Einsatz moderner Deep-Learning-Modelle ermöglicht die Automatisierung der Analyse von Holzpfählen auf visuellem Wege. In dieser Arbeit wird ein dreistufiger Ansatz zur Lokalisierung, Segmentierung und facettenreichen Klassifizierung einzelner Stämme auf Basis einer Client/Server-Architektur vorgestellt, der es ermöglicht, die Qualität, das Volumen und damit den Wert eines Holzpfahls auf Basis einer Smartphone-Applikation zu bestimmen. Die Verwendung mehrerer YOLOv4- und U-NET-Modelle führt zu einer client-seitigen Holzlokalisierungsgenauigkeit von 82,9% bei geringem Speicherbedarf von 23 MB und einer server-seitigen Holzerkennungsgenauigkeit von 94,1%, zusammen mit einer Holzartenklassifizierungsgenauigkeit von 95% und 96% bei der Qualitätsbewertung von Fichtenholz. Darüber hinaus erreicht das trainierte Segmentierungsmodell eine Genauigkeit von 89 %.
2021
C. Praschl, A. Pointner, D. Baumgartner, G. Zwettler. Imaging framework: An interoperable and extendable connector for image-related Java frameworks. SoftwareX, Volume 16. 2021.
DOI: https://doi.org/10.1016/j.softx.2021.100863
Abstrakt
Die Zahl der Aufgaben in den Bereichen Computer Vision und Bildverarbeitung hat in den letzten Jahren zugenommen. Obwohl Python in diesem Bereich meist die erste Wahl ist, gibt es Situationen, in denen die Verwendung einer anderen Programmiersprache wie Java bevorzugt werden sollte. Aus diesem Grund gibt es mehrere Java-basierte Frameworks wie z.B. OpenIMAJ, ND4J oder mehrere OpenCV-Wrapper. Leider sind diese Frameworks nicht interoperabel. In dieser Arbeit wird das Open-Source Imaging Framework vorgestellt, um genau dieses Problem zu lösen. Das Projekt verfügt über ein Konzept zur Kombination mehrerer Frameworks und bietet eine interoperable und erweiterbare Grundlage für 9 bildbezogene Projekte mit 10 verschiedenen Bilddarstellungen in Java.
Helm, Emmanuel, and Oliver Krauss. „How can Interoperability Support Process Mining in Healthcare?.“ PODS4H.
Abstrakt
Eine Diskussion über die Beziehung zwischen dem Konzept der Interoperabilität von Informationssystemen im Gesundheitswesen und der prozessorientierten Datenanalyse. Ziel ist es zu zeigen, dass einige der aktuellen Herausforderungen des Process Mining im Gesundheitswesen auch Interoperabilitätsprobleme sind. Durch die Beteiligung bei der Lösung dieser Probleme können wir auch unsere Datenquellen verbessern.
A. Schuler and G. Kotsis, „Mining API Interactions to Analyze Software Revisions for the Evolution of Energy Consumption,“ in 2021 2021 IEEE/ACM 18th International Conference on Mining Software Repositories (MSR),, 2021 pp. 312-316.
DOI: https://doi.ieeecomputersociety.org/10.1109/MSR52588.2021.00043
Abstrakt
Mit der weit verbreiteten Nutzung und Einführung mobiler Plattformen wie Android ist ein neues Problem der Softwarequalität aufgetaucht – der Stromverbrauch. Die Entwicklung energieeffizienter Software und Anwendungen erfordert jedoch Wissen und entsprechende Werkzeuge zur Unterstützung von Entwicklern mobiler Geräte. Zu diesem Zweck präsentieren wir einen Ansatz zur Untersuchung der Energieentwicklung von Software-Revisionen auf der Grundlage ihrer API-Interaktionen. Der Ansatz beruht auf der Annahme, dass die Nutzung einer API direkte Auswirkungen auf den Energieverbrauch während der Laufzeit hat. Basierend auf einer empirischen Evaluierung zeigen wir erste Ergebnisse, dass API-Interaktionen als flexibles, leichtgewichtiges und effektives Mittel dienen, um Software-Revisionen hinsichtlich ihrer Energieentwicklung zu vergleichen. In Anbetracht unserer ersten Ergebnisse stellen wir uns vor, dass mobile Entwickler mit unserem Ansatz in Zukunft in der Lage sein werden, Einblicke in die energetischen Auswirkungen von Änderungen im Quellcode während des Lebenszyklus der Softwareentwicklung zu gewinnen.
Zwettler G., Reichhard A. Stradner M., Praschl C., Helm E.(2021). In Proceedings of 33rd European Modeling & Simulation Symposium.
DOI: https://doi.org/10.46354/i3m.2021.iwish.004
Abstrakt
Mit einer Prävalenz von fast 1% stellen potentielle epileptische Anfälle ein erhebliches Gesundheitsrisiko für viele jugendliche Patienten dar. Daher ist ein Monitoring unerlässlich, um frühzeitig gegensteuernde Maßnahmen zu setzen und Schäden zu vermeiden. Die sensorbasierten Überwachungssysteme adressieren hauptsächlich epileptische Anfälle, die durch eine Veränderung des Muskeltonus angezeigt werden, können aber nicht für Patienten eingesetzt werden, die nur das Prévost-Zeichen zeigen. Zur Überwachung des auslösenden Prévost-Zeichens mit geöffneten Augen als kritisches visuelles Merkmal wird in dieser Arbeit die Anwendbarkeit von Deep-Learning-Augenerkennungssystemen auf Nachtsichtbildern als Grundlage für die Modellierung und Klassifizierung des Augenzustandes (geschlossen, geöffnet, nicht sichtbar) evaluiert. Ein ganzheitlicher Forschungsprototyp wird als Proof of Concept vorgestellt, der die Anwendbarkeit von State-of-the-Art-Gesichtserkennung auf Nachtsichtbildern sowie multivariater Merkmalsanalyse auf Graphensegmentierung vor Fragmentierung zeigt, die zur Erkennung des Augenzustands auf robuste Weise anwendbar ist. Die Ergebnisse zeigen eine Einzelbildgenauigkeit bei der Gesichts-/Augenerkennung von 73,91% und 94,44% für die Klassifizierung der geöffneten Augen als Hinweis auf einen potenziell auslösenden epileptischen Anfall. Das Überwachungssystem basiert auf einer Raspberry-Recheneinheit mit zwei angeschlossenen ELP-Nachtsichtkameras und einer Smartphone-App für die Benutzerinteraktion und -konfiguration sowie die visuelle Überwachung auf Abruf. Zukünftige Arbeiten werden zeigen, dass die Einzelbild-Erkennungsrate ausreicht, um eine regelbasierte Überwachungs-Zustandsmaschine mit einer vom Benutzer vordefinierten Empfindlichkeit und Spezifität aufzubauen, indem der visuelle Inhalt als Zeitserie und nicht als Einzelbilder analysiert wird.
Jany J., Zwettler G. (2021). In Proceedings of 33rd European Modeling & Simulation Symposium.
DOI: https://doi.org/10.46354/i3m.2021.iwish.007
Abstrakt
Mit den jüngsten Verbesserungen bei Deep-Learning-Architekturen und der Verfügbarkeit von GPU-Hardware hat sich der Stand der Technik beim Deep Learning (DL) bereits als leistungsstarke Bildverarbeitungstechnologie in der klinischen Routine manifestiert, um Segmentierungsergebnisse mit hoher Genauigkeit zu liefern. Ein Nachteil ist, dass die Black-Box-Natur der Technologie keine natürliche Inspektion und Nachbearbeitung durch medizinische Experten zulässt. Wir präsentieren einen Ansatz zur Graphensegmentierung (GS), der seine Fitnessfunktion auf generische Weise aus beliebigen DL-Ergebnissen ableitet. Um ein effizientes und effektives Post-Processing durch die medizinischen Experten zu ermöglichen, werden in diesem Beitrag verschiedene Interaktionsparadigmen vorgestellt und evaluiert. Der Kompromiss von GS im Vergleich zu den initialen DL-Ergebnissen ist marginal (delta JI= 0,196%), dennoch können potentielle DL-Segmentierungsfehler zuverlässig korrigiert werden. Der intuitive Ansatz zeigt ein hohes Maß an Reproduzierbarkeit sowohl zwischen als auch innerhalb von Benutzern. Die Änderungspropagation der korrigierten Slices hält den Bedarf an Benutzerinteraktion bei der erfolgreichen Korrektur potentieller Schwächen in den DL-Segmentierungen auf ein Minimum. Dadurch werden die ehemals fehleranfälligen Slice-Mini-Batches automatisiert korrigiert, wobei die JI deutlich erhöht wird.
Praschl C. Auserperg-Castell P., Forster-Heinlein B., Zwettler G. (2021). In Proceedings of 33rd European Modeling & Simulation Symposium.
DOI: https://doi.org/10.46354/i3m.2021.emss.042
Abstrakt
In industriellen Bereichen mit zeit- und kostenintensiver manueller oder halbautomatischer Prüfung ist die Nachfrage nach Automatisierung hoch. Durch den Einsatz modernster Deep-Learning-Modelle für die Lokalisierung in bildverarbeitungsbasierten Bereichen wie der Holzstammanalyse kann die Präzision erhöht und gleichzeitig der Bedarf an manueller Inspektion reduziert werden. In dieser Arbeit wird ein YOLO-Netzwerk auf Holzstammbildern trainiert, um die Erkennung von einzelnen Holzstapeln in Bildern mit hunderten und tausenden Instanzen zu ermöglichen. Aufgrund der hohen Variabilität im Maßstab und der großen Menge an Holzstämmen in den Bildern sind herkömmliche YOLO-Architekturen nicht anwendbar. Daher ist eine Kachelung erforderlich, um implizit eine Bildpyramide mit mehreren Auflösungen zu bilden. Aufgrund des Mangels an Trainingsdaten wird neben der üblichen Datenerweiterung auch eine Modellierung der verschiedenen Jahreszeiten und Wetterbedingungen angewendet. Der Holzscheit-Erkennungsprozess kann auf einer Client/Server-Architektur ausgeführt werden, um sowohl eine Vorschau als auch verfeinerte Ergebnisse zu ermöglichen. Die Auswertung auf realen Datensätzen zeigt eine Holzscheit-Erkennungsgenauigkeit von 82,9% mit einem winzigen YOLO-Modell bzw. 94,1% mit einem vollständig verbundenen YOLO-Modell.
Helm E., Schwebach J., Pointner A., Lin A., Rothensteiner V., Keimel D. and Schuler A. (2021). In Proceedings of dHealth 2021 – Health Informatics Meets Digital Health.
Abstrakt
Es fehlt an sicheren offiziellen Kommunikationskanälen für Peer-Review und Peer-Feedback zu medizinischen Befunden. Zielsetzung: Unser Ziel war es, die bestehende österreichische eHealth-Infrastruktur zu nutzen, um Review- und Feedbackprozesse zu ermöglichen. Methoden: Wir erweiterten das IHE XDW Workflow-Dokument, um den Austausch von Textnachrichten (z.B. Kommentare zu Dokumenten oder Bildern) über eine XDS-Infrastruktur zu ermöglichen. Ergebnisse: Der Workflow ermöglichte den Austausch von Kommentaren zu bestimmten Abschnitten von CDA-Dokumenten oder radiologischen Bildern und wurde in einer XDS-Testumgebung verifiziert. Schlussfolgerung: Die vorgestellte Lösung ist ein Proof of Concept, der zur Spezifikation einer neuen IHE-Workflow-Definition führen könnte.
Helm E., Krauss O., Lin A., Pointner A., Schuler A. and Küng J. (2021). Process Mining on FHIR – An Open Standards-Based Process Analytics Approach for Healthcare. In Process Mining Workshops.
Abstrakt
Process Mining hat sich in den letzten Jahren zu einer eigenen Forschungsdisziplin entwickelt, die Möglichkeiten zur Analyse von Geschäftsprozessen auf Basis von Ereignisprotokollen bietet. Im Gesundheitswesen erschweren die Besonderheiten der Organisations- und Behandlungsprozesse, insbesondere im Hinblick auf heterogene Datenquellen, die Anwendung von Process-Mining-Techniken. Diese Arbeit stellt einen Ansatz vor, um etablierte Standards für den Zugriff auf die Audit-Trails von Informationssystemen im Gesundheitswesen zu nutzen und bietet ein automatisiertes Mapping in ein für Process Mining geeignetes Event-Log-Format. Außerdem wird eine Möglichkeit zur Simulation von Prozessen im Gesundheitswesen vorgestellt und zur Validierung des Ansatzes verwendet.
Weitere Informationen hier
Langdon W. and Krauss O. (2021). Genetic Improvement of Data for Maths Functions*. In Proceedings of the Genetic and Evolutionary Computation Conference Companion.
Abstrakt
Genetic Improvement (GI) kann verwendet werden, um eine bessere Qualität der Software zu erreichen und neue Funktionen zu schaffen. Wir zeigen, dass GI die PowerPC Open-Source GNU C Laufzeitbibliothek Quadratwurzel-Funktion in Kubikwurzel, binären Logarithmus log2 und reziproke Quadratwurzel weiterentwickeln kann. Die GI cbrt ist konkurrenzfähig in der Laufzeitleistung und unsere invertierte Quadratwurzel x**-0.5 ist weitaus genauer als die im Videospiel Quake verwendete Approximation. Wir verwenden CMA-ES, um Konstanten in einer Newton-Raphson-Tabelle, die ursprünglich aus glibc’s sqrt stammt, für andere mathematische Funktionen mit doppelter Genauigkeit anzupassen. Solche automatisch angepassten Mathe-Bibliotheken könnten für mobile oder ressourcenarme, IoT-, Mote-, Smart-Dust-, maßgeschneiderte cyber-physische Systeme verwendet werden. Evolutionary Computing (EC) kann nicht nur zur Anpassung von Quellcode, sondern auch von Daten, wie z. B. numerischen Konstanten, eingesetzt werden und könnte eine neue Art der Software-Datenpflege ermöglichen. Dies ist eine spannende Möglichkeit für die GECCO- und Optimierungs-Communities.
Weitere Informationen hier
Pointner A., Praschl C., Krauss O., Schuler A., Helm E., and Zwettler G. (2021). Line Clustering and Contour Extraction in the Context of 2D Building Plans. In Proceedings of 29. International Conference in Central Europe on Computer Graphics, Visualization and Computer Vision.
DOI: https://doi.org/10.24132/CSRN.2021.3101.2
Abstrakt
Für die Analyse eines Gebäudes hinsichtlich seiner Zugänglichkeit oder strukturellen Belastbarkeit sind ausgedruckte 2D-Grundrisse aufgrund der fehlenden Verknüpfung mit semantischen Informationen nicht ausreichend.
Die vorliegende Arbeit greift dieses Problem auf und stellt ein Konzept zur Clusterung klassifizierter Linien eines Grundrisses und zur Erzeugung semantisch angereicherter Konturelemente auf der Basis verschiedener Bildverarbeitungs-,
Algorithmen der Bildverarbeitung, des maschinellen Sehens und des maschinellen Lernens. Ausgehend von einem allgemeinen Ansatz zum Clustering von Linien werden typspezifische Verfahren für Wände, Fenster, Türen und Treppen eingeführt.
Die resultierenden Cluster werden wiederum für eine Konturerzeugung verwendet, die minimal gedrehte Rechtecke verwendet. Diese Rechtecke werden in Polygone transformiert, die durch Nachbearbeitungsschritte verfeinert werden.
Die Evaluierung des Ansatzes erfolgt über eine Positivprüfung anhand eines pixelbasierten Vergleichs des Verfahrensergebnisses. Hierfür werden sowohl automatisch generierte als auch reale Gebäudepläne verwendet.
Die abschließende Auswertung zeigt, dass das Konzept eine Sicherheit von >90% für Türen, Treppen und Fenster und nur etwa 10% für Treppen erreicht, wobei die Laufzeit linear mit der Größe der Eingabe skaliert.
Fernandez-Llatas, C., Munoz-Gama, J., Martin, N., Johnson, O., Sepulveda, M., & Helm, E. (2021). Process Mining in Healthcare. In Interactive Process Mining in Healthcare (pp. 41-52). Springer, Cham.
Abstrakt
Da medizinische Prozesse nur schwer durch einen Konsens von Experten entworfen werden können, ist die Verwendung von verfügbaren Daten zur Erstellung medizinischer Prozesse eine wiederkehrende Idee in der Literatur. Als praktikable Lösung in diesem Bereich werden datengetriebene Paradigmen genannt, die medizinische Experten bei ihren täglichen Entscheidungen unterstützen können. Hinter diesem Paradigma stehen Frameworks, die speziell für den Umgang mit prozessorientierten Problemen entwickelt wurden. Dies ist der Fall beim Process Mining.
Reithmeier, L.; Krauss, O. and Zwettler, G.; (2021). Transfer Learning and Hyperparameter Optimization forInstance Segmentation with RGB-D Images in Reflective Elevator Environments. In Proceedings of the 16th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications – Volume 5: VISAPP, ISBN 978-989-758-488-6.
DOI: https://doi.org/10.24132/CSRN.2021.3101.30
Abstrakt
Aufzüge, ein lebenswichtiges Mittel für den städtischen Transport, verfügen in der Regel neben einem Notrufknopf über keine geeigneten Notrufsysteme. Im Falle von bewusstlosen oder anderweitig handlungsunfähigen Fahrgästen kann dies zu tödlichen Situationen führen. Ein kamerabasiertes Überwachungssystem mit KI-basierten Warnungen unter Verwendung einer Aufzugszustandsmaschine kann Fahrgästen helfen, die nicht in der Lage sind, einen Notruf auszulösen. In dieser Forschungsarbeit wird die Anwendbarkeit von RGB-D-Bildern als Input für die Objektsegmentierung in der stark reflektierenden Umgebung einer Aufzugskabine evaluiert. Für die Objektsegmentierung wird ein Region-based Convolution Neural Network (R-CNN) Deep-Learning-Modell so angepasst, dass es neben RGB auch Tiefen-Eingangsdaten verwenden kann, indem Transfer-Learning, Hyperparameter-Optimierung und Re-Training auf einem neu aufbereiteten Aufzugsbild-Datensatz angewendet werden. Auswertungen beweisen, dass mit der gewählten Strategie die Genauigkeit der R-CNN-Instanzsegmentierung auf RGB-D-Daten anwendbar ist, wodurch die mangelnde Bildqualität in den verrauschten und reflektierenden Aufzugskabinen behoben wird. Die mittlere durchschnittliche Genauigkeit (mAP) von 0,753 wird nach der Einbeziehung zusätzlicher Tiefendaten auf 0,768 erhöht und mit zusätzlichem FuseNet-FPN-Backbone auf RGB-D wird die mAP weiter auf 0,794 erhöht. Mit dem vorgeschlagenen Instanzsegmentierungsmodell wird eine zuverlässige Aufzugsüberwachung machbar, wie erste Prototypen und Praxistests beweisen.
Zwettler, G.; Praschl, C.; Baumgartner, D.; Zucali, T.; Turk, D.; Hanreich, M. and Schuler, A. (2021). Three-step Alignment Approach for Fitting a Normalized Mask of a Person Rotating in A-Pose or T-Pose Essential for 3D Reconstruction based on 2D Images and CGI Derived Reference Target Pose.In Proceedings of the 16th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications – Volume 5: VISAPP, ISBN 978-989-758-488-6, pages 281-292. DOI: 10.5220/0010194102810292
Abstrakt
Die Rekonstruktion von 3D-Silhouetten eines menschlichen Körpers, der sich vor einem monokularen Kamerasystem dreht, ist aufgrund der elastischen Verformung und der Positionsfehlanpassung durch die Körperbewegung eine sehr anspruchsvolle Aufgabe. Nichtsdestotrotz ist die Kenntnis der 3D-Körperform eine Schlüsselinformation zur präzisen Bestimmung der eigenen Konfektionsgrößen, z. B. für den präzisen Einkauf zur Reduzierung von Rücksendungen im Online-Handel. In diesem Beitrag wird ein neuartiger dreistufiger Ausrichtungsprozess vorgestellt, der As-Rigid-As-Possible (ARAP)-Transformationen verwendet, um das aus OpenPose abgeleitete Körpergelenkskelett mit einem CGI-gerenderten Referenzmodell in A- oder T-Position zu normalisieren. Mit weiteren distanzbasierten Registrierungsschritten werden Positionsfehlanpassungen und Ungenauigkeiten aus der OpenPose-Gelenkschätzung kompensiert, so dass eine 3D-Silhouettenrekonstruktion eines sich bewegenden und elastischen Objekts möglich ist, ohne dass statistische Formmodelle erforderlich sind. Tests sowohl mit künstlichen als auch mit realen Daten belegen die Einsatzbarkeit dieses Ansatzes, wobei alle drei Ausrichtungs-/Registrierungsschritte für die Datennormalisierung der 3D-Silhouetten-Rekonstruktion wesentlich und ausreichend sind.
2020
Baumgartner D., Jordens I., Wilfing D., Krauss O., Zwettler G. (2020). Automatic Detection of Objects Blocking Elevator Doors using Computer Vision. In Proceedings of the 23rd International Congress on Vertical Transportation Technologies.
Abstrakt
In diesem Beitrag stellen wir einen neuen Ansatz vor, der Computer-Vision-Methoden auf Bilddaten anwendet, die mit Tiefenwahrnehmungskameras erfasst wurden, um das Innere des Aufzugs abzubilden, die Position und den Zustand der Tür zu erkennen und Objekte im Türbereich zu erkennen. Die Tiefendaten werden verwendet, um die Aufzugskabine als Sicherheitswürfel zu bestimmen, d. h. die Position der Tür, die Anordnung des Aufzugs usw., während die Farbdaten die Erkennung neuer Objekte weiter verbessern. Der Ansatz kann den Zustand der Aufzugstür als entweder geöffnet oder geschlossen erkennen, während kein Objekt die Sicht auf die Tür versperrt, sowie erfolgreich Objekte identifizieren, die eine offene Tür blockieren. Diese Aufzugsüberwachung erweist sich als relevant für die Bestimmung des Aufzugszustands, die Sicherheit sowie Aspekte der vorausschauenden Wartung.
ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM), 2020, Andreas Schuler and Gabriele Kotsis (Preprint) (Replication Package)
Helm E., Lin M. A., Baumgartner D., Lin C. A., Küng J.
Proceedings of the 8th International Workshop on Genetic Improvement (Details)
Krauss O., Mössenböck H., Affenzeller M.
GECCO ’20: Proceedings of the Genetic and Evolutionary Computation Conference Companion (Details)
Langdon W., Krauss O.
Genetic Programming. EuroGP 2020. Lecture Notes in Computer Science, vol 12101. Springer, Cham (Details)
Krauss O., Langdon W.B.
Gerald Zwettler, David Holmes and Werner Backfrieder. „Strategies for Training Deep Learning Models in Medical Domains with Small Reference Datasets“. WSCG ’20.
Abstrakt
Mit dem stetigen Fortschritt von Deep Learning (DL)
stehen nun leistungsfähige Werkzeuge für anspruchsvolle Segmentierungsaufgaben zur Verfügung. Dennoch kann der allgemein sehr hohe Bedarf an Trainingsdaten und präzisen Referenzsegmentierungen im medizinischen Bereich bei der Bearbeitung kleiner und individueller Studien oder Erfassungsprotokolle oft nicht gedeckt werden. Als gängige Strategien sind Reinforcement Learning oder Transfer Learning anwendbar, aber aufgrund der domänenspezifischen Anpassung mit immensem Aufwand kohärent. In dieser Arbeit wird die Anwendbarkeit einer U-Netz-Kaskade für das Training auf einer sehr geringen Menge von abdominellen MRT-Datensätzen des Parenchyms evaluiert und Strategien zur Kompensation des Mangels an Trainingsdaten diskutiert. Obwohl die Modellgenauigkeit beim Training auf 13 MRT-Bändern mit erreichbarem JI=89,41 eher gering ist, sind die Ergebnisse immer noch gut genug für eine jährliche Nachbearbeitung unter Verwendung eines Graph-Cut (GC)-Ansatzes mit mittlerem Bedarf an Benutzerinteraktion. Auf diese Weise werden die DL-Modelle umgeschult, wenn zusätzliche Testdatensätze verfügbar werden, um die Klassifikationsgenauigkeit anschließend zu verbessern. Mit nur 2 zusätzlichen GC-Postprocessing-Datensätzen beträgt die Genauigkeit nach der Modellneuschulung JI= 89,87. Darüber hinaus wird die Anwendbarkeit von Generativen Adversialen Netzwerken (GAN) im medizinischen Bereich evaluiert, wobei diskutiert wird, axiale CT-Schnitte zusammen mit perfekten Ground-Truth-Referenz-Segmentierungen zu synthetisieren. Es wird für abdominale CT-Schnitte des Parenchyms gezeigt, dass bei fehlenden Trainingsdaten synthetisierte Schnitte, die in beliebiger Anzahl abgeleitet werden können, den DL-Trainingsprozess signifikant verbessern können, wenn nur eine unzureichende Datenmenge zur Verfügung steht. Während das Training auf 2.200 Realbildern nur zu einer Genauigkeit von JI=88,75 führt, führt die Anreicherung mit 2.200 zusätzlichen Bildern, die aus einer auf 5.000 Datensätzen trainierten GAN synthetisiert werden, zu einer Steigerung bis zu JI=92,02. Selbst wenn das DL-Modell ausschließlich auf 4.400 computergenerierten Bildern trainiert wird, ist die Klassifikationsgenauigkeit auf Realweltdaten mit JI=90,81 bemerkenswert.
G. Zwettler, D. Holmes III, W. Backfrieder – Pre- and Post-processing Strategies for Generic Slice-wise Segmentation of Tomographic 3D datasets Utilizing U-Net Deep Learning Models Trained for Specific Diagnostic Domains – Proceedings of the VISAPP 2020, Valetta, Malta, 2020, pp. 66-78
Abstrakt
Ein automatisiertes und allgemein anwendbares Verfahren zur Segmentierung steht nach wie vor im Fokus der medizinischen Bildverarbeitungsforschung. Seit einigen Jahren zeigen Methoden der künstlichen Intelligenz vielversprechende Ergebnisse, insbesondere mit weit verbreiteten skalierbaren Deep-Learning-Bibliotheken. In dieser Arbeit wird ein fünfschichtiges Hybrid-U-Netz zur scheibenweisen Segmentierung von Leber-Datensätzen entwickelt. Die Trainingsdaten stammen aus der Medical Segmentation Decathlon-Datenbank, die 131 vollständig segmentierte Bände umfasst. Es wird ein schichtorientiertes Segmentierungsmodell unter Verwendung von Algorithmen für Deep Learning mit Anpassungen für variable Parenchymform entlang der Stapelrichtung und Ähnlichkeiten zwischen benachbarten Schichten implementiert. Beide werden für koronale und sagittale Ansichten transformiert. Die Implementierung erfolgt auf einem GPU-Rack mit TensorFlow und Keras. Für ein quantitatives Maß der Segmentierungsgenauigkeit werden standardisierte Volumen- und Oberflächenmetriken verwendet. Die Ergebnisse DSC=97.59, JI=95.29 und NSD=99.37 zeigen eine korrekte Segmentierung, vergleichbar mit 3D-U-Netzen und anderen dem Stand der Technik entsprechenden U-Netzen. Die Entwicklung eines 2D-Schnittes orientierte Segmentierung wir durch die Vorteile kurzer Trainingszeiten und geringere Komplexität gerechtfertigt und reduziert auch massiv den Speicherverbrauch. Diese Arbeit manifestiert das hohe Potenzial von KI-Methoden für die allgemeine Anwendung in der Medizin. Segmentierung als voll- oder halbautomatisches Werkzeug unter Aufsicht des fachkundigen Benutzers.
Baumgartner,D., Praschl,C., Zucali,T., Zwettler,G.: 1. Hybrid Approach for Orientation-Estimation of Rotating Humans in Video Frames Acquired by Stationary Monocular Camera
Abstrakt
Die präzise Orientierungsschätzung des Menschen in Bezug auf die POSE eines monokularen Kamerasystems ist aufgrund allgemeiner Aspekte der Kamerakalibrierung und der Verformbarkeit eines sich bewegenden menschlichen Körpers eine anspruchsvolle Aufgabe. Daher sind neuartige Ansätze des Deep Learnings zur präzisen Bestimmung der Objektposition in der Robotik schwer für die Analyse des menschlichen Körpers zu adaptieren. In dieser Arbeit wird ein hybrider Ansatz für die genaue Schätzung eines menschlichen Körpers relativ zu einem Kamerasystem vorgestellt, wodurch die aus poseNet abgeleiteten Ergebnisse durch Anwendung der Analyse des optical Flows in einem Frame-zu-Frame-Vergleich deutlich verbessert werden. Der menschliche Körper, der sich vor Ort in T-Position dreht, wird dabei in der Mitte ausgerichtet, wobei Objektverfolgungsmethoden zur Kompensation von Translationen der Körperbewegung angewendet werden. Nach der 2D-Skelettextraktion wird der optical Flow für einen ROI-Bereich berechnet, der relativ zur vertikalen Skelettverbindung, die die Wirbelsäule darstellt, ausgerichtet ist, und Bild für Bild verglichen. Um die Eignung der Kleidung als Grundlage für gute Merkmale zu bewerten, wird die lokale Pixelhomogenität berücksichtigt, um den optical Flow auf heterogene Regionen mit Unterscheidungsmerkmalen wie Aufdruckmuster, Knöpfe oder Schnallen neben der lokalen Beleuchtungsänderung zu beschränken. Basierend auf dem mittleren optical Flow mit grober Annäherung an die axiale Körperform als Ellipse wird eine Genauigkeit zwischen 0,1° und 2,0° für die Orientierungsschätzung auf einem Frame-zu-Frame-Vergleich erreicht, der sowohl auf CGI-Renderings als auch auf realen Videos von Personen, die Kleidung mit unterschiedlichen Merkmalen tragen, ausgewertet und validiert wird.
International Journal of Simulation and Process Modelling
C. Praschl, O. Krauss, G. Zwettler
Abstrakt
Diese Forschungsarbeit umfasst generische Ansätze zur Bestimmung der Außenposition und -orientierung eines Augmented-Reality-Geräts aufgrund der mangelnden Außentauglichkeit der derzeit auf dem Markt erhältlichen tiefen- oder umgebungserkennungssensorbasierten Geräte. Die Bestimmung der Orientierung erfolgt primär mit einem Attitude Heading Reference System (AHRS) zur groben Abschätzung. Basierend auf einer angeschlossenen/eingebauten Videokamera wird die Genauigkeit bei geringfügigen Änderungen der Orientierung durch die Anwendung der Registrierung zur Bewertung der Orientierungsunterschiede zwischen zwei Videobildern verbessert, wodurch Gyroskop-Driftfehler kompensiert werden. Die Positionsbestimmung erfolgt mittels GPS mit einem kinematischen Echtzeit-Bakensystem mit Rover- und Basisstation, um eine verbesserte Genauigkeit zu erreichen. Die Ergebnisse zeigen, dass aufgrund der Sensoranwendung AR-Hardware, die für den Einsatz in Innenräumen in Betracht gezogen wird, so umgerüstet werden kann, dass sie im Freien, bei großen Entfernungen und sogar in fahrenden Fahrzeugen einwandfrei funktioniert. Dadurch wird die zukünftige Implementierung von Anwendungen in verschiedenen Bereichen erleichtert.
Daniel Dorfmeister, and Oliver Krauss. 2020. “Integrating HeuristicLab with Compilers and Interpreters for Non-Functional Code Optimization.” In Proceedings of the Genetic and Evolutionary Computation Conference Companion – GECCO ’20. Cancun, Mexico: ACM Press. (Details).
Emmanuel Helm, Anna M. Lin, David Baumgartner, Alvin C. Lin und Josef Küng. 2020. “Adopting Standard Clinical Descriptors for Process Mining Case Studies in Healthcare”.
Abstrakt
Process Mining kann einen besseren Einblick in medizinische Behandlungsprozesse und organisatorische Abläufe im Gesundheitswesen bieten. Eine Durchsicht der Fallstudien in der Literatur hat mehrere verschiedene gemeinsame Aspekte zum Vergleich identifiziert, zu denen Methoden, Algorithmen oder Techniken, medizinische Bereiche und Spezialgebiete des Gesundheitswesens gehören. Aus medizinischer Sicht werden die klinischen Begriffe jedoch nicht in einer einheitlich verwendet und folgen nicht einem standardisierten klinischen Kodierungsschema. Außerdem sind die Merkmale der Ereignisprotokolldaten nicht immer beschrieben. In dieser Abhandlung haben wir 38 klinisch relevante Fallstudien zum Thema Process Mining im Gesundheitswesen identifiziert, die zwischen 2016 und 2018 veröffentlicht wurden und die die verwendeten Tools, Algorithmen und Techniken sowie Einzelheiten zu den Ereignisprotokolldaten beschrieben. Anschließend ordneten wir die klinischen Aspekte der Patientenbegegnungsumgebung, des klinischen Fachgebiets und der medizinischen Diagnosen unter Verwendung der standardmäßigen klinischen Kodierungsschemata SNOMED CT und ICD-10 zu. Die möglichen Ergebnisse der Annahme ein Standardansatz für die Beschreibung von Ereignisprotokolldaten und die Klassifizierung medizinischer Terminologie unter Verwendung von standardmäßigen klinischen Kodierungsschemata werden diskutiert.
2019
Proceedings of the 16th EAI International Conference on Mobile and Ubiquitous Systems: Computing, Networking and Services, 2020, Andreas Schuler and Gabriele Kotsis (Paper Link)
IGSOFT Softw. Eng. Notes 44, 3 (July 2019) (Details)
William B. Langdon, Westley Weimer, Christopher Timperley, Oliver Krauss, Zhen Yu Ding, Yiwei Lyu, Nicolas Chausseau, Eric Schulte, Shin Hwei Tan, Kevin Leach, Yu Huang, and Gabin An
arXiv preprint arXiv:1907.03773
Proceedings of the VISAPP 2020, Valetta, Malta, 2020, pp. 12
G. Zwettler, D. Holmes III, W. Backfrieder
Process-Oriented Data Science for Healthcare (Details)
Emmanuel Helm, David Baumgartner, Anna M. Lin, Alvin Lin, Josef Küng
Proceedings of the 6th International Workshop on Genetic Improvement
Oliver Krauss, Hanspeter Mössenböck, Michael Affenzeller
ICT for Health Science Research
A. Lin, O. Krauss, E. Helm
Process Mining Conference 2019 – 1st International Conference on Process Mining, June 24-26, 2019, Aachen, Germany
Baumgartner D., Haghofer A., Limberger M., Helm E.
Information Systems and Neuroscience, p. 221 – 228, Springer Verlag
Baumgartner D., Fischer T. Riedl R., Dreiseitl S.
2018
Proc. 9th Intl. Conf. on Society and Information Technologies (ICSIT 2018), Orlando, Vereinigte Staaten von Amerika, 2018, pp. 126-131
Mayr, H.
Proceeding ISSTA ’18 Companion Proceedings for the ISSTA/ECOOP 2018 Workshops Pages 144-149 (Details)
Schuler, A. and Anderst-Kotsis G. – MANA
International journal of environmental research and public health (Details)
Rinner C., Helm E., Dunkl R., Kittler H., Rinderle-Ma S.
GECCO ’18: Proceedings of the Genetic and Evolutionary Computation Conference Companion (Details)
Krauss, O. Mössenböck, H. Affenzeller, M. – GCE
International Conference on Business Process Management (Details)
Rinner C., Helm E., Dunkl R., Kittler H., Rinderle-Ma S.
Proceedings of the 30th European Modeling and Simulation Symposium EMSS2018, Budapest, Ungarn, 2018
A. Pointner, O. Krauss, G. Freilinger, D. Strieder, G. Zwettler – GUIDE
Proceedings of the 30th European Modeling and Simulation Symposium EMSS2018, Budapest, Ungarn, 2018
C. Praschl, O. Krauss, G. Zwettler – Drive for Knowledge
International Journal of Privacy and Health Information Management (IJPHIM)
Traxler B., Helm E., Krauss O., Schuler A., Kueng J.
European Journal of Biomedical Informatics (Details)
Lackerbauer A., Lin A., Krauss O., Hearn J., Helm E.
Studies in health technology and informatics
Helm E., Schuler A., Mayr H.
2017
Proceedings of the International Workshop on Innovative Simulation for Health Care (IWISH), Barcelona, Spanien, 2017, pp. 26-31
W. Backfrieder, B. Kerschbaumer, G. Zwettler
Proceedings of the International Workshop on Innovative Simulation for Healthcare IWISH 2017, Barcelona, Spanien, 2017
W. Backfrieder, G. Zwettler, B. Kerschbaumer
Akkordeon InhaltaSPLASH / OOPSLA 2017 (Details)
O. Krauss
ITBAM 2017, 8th International Conference on Information Technology in Bio-and Medical Informatics, Lyon, France (Details)
González López De Murillas E., Helm E., Reijers HA., Küng J., Bursa M., Holzinger A., Elena Renda M., Khuri S.
Proceedings of the 2017 11th Joint Meeting on Foundations of Software Engineering (Details)
A. Schuler
6th International Workshop on Innovative Simulation for Health Care (IWISH 2017) (Details)
E. Helm, B. Franz, A. Schuler, O. Krauss, J. Küng
Studies in Health Technology and Informatics, 2017 – 236 (Details)
Krauss O, Holzer K, Schuler A, Egelkraut R, Franz B. – KIMBO
2016
Information Technology in Bio- and Medical Informatics, Porto, Portugal, 2016 (Details)
E. Helm, J. Küng
IEEE Advanced Information Management,Communicates,Electronic and Automation Control Conference, Xi’an, Xi’an, China, 2016 (Details)
D. Wilfing, O. Krauss, A. Schuler – ARISE
IEEE Advanced Information Management,Communicates,Electronic and Automation Control Conference, Xi’an, Xi’an, China, 2016 (Details)
O. Krauss, D. Wilfing, A. Schuler – ARISE
Information Technology in Bio- and Medical Informatics, Porto, Portugal, 2016 (Details)
O. Krauss, M. Angermaier, E. Helm – KIMBO
2015
International Journal of Electronics and Telecommunications, Vol. 61, No. 2, 2015, pp. 151-157
O. Krauss, B. Franz, A. Schuler
NIEREN-UND HOCHDRUCKKRANKHEITEN, Vol. 44, No. 10, 2015, pp. 9
S. Porta, G. Zwettler, W. Kurschl, C. Dinu, G. Juttla, K. Pichlkastner, H. Gell, B. Kaiser, K. Kisters
International Journal of Electronics and Telecommunications, Vol. 60, No. 6, 2015, pp. 1-8
G. Zwettler, W. Backfrieder
Proceedings of the 2015 I-WISH, The International Workshop on Innovative Simulation for Healthcare , Bergeggi, Italien, 2015, pp. 6
W. Backfrieder, G. Zwettler
Proceedings of the IEEE International conference on Computing and Communications Technologies (ICCCT’15), Chennai, Indien, 2015, pp. 1-7
G. Zwettler, W. Backfrieder
eHealth2015 – Health Informatics Meets eHealth, Wien, Österreich, 2015 (Details)
E. Helm, A. Schuler, O. Krauss, B. Franz
European Journal for Biomedical Informatics, Vol. 11, No. 2, 2015 (Details)
B. Franz, A. Schuler, O. Krauss
International Journal of Electronics and Telecommunications, Vol. 61, No. 2, 2015 (Details)
A. Schuler, B. Franz, O. Krauss
MIE, Digital Healthcare Empowering Europeans, Madrid, Spanien, 2015, pp. 40-44 (Details)
F. Paster, E. Helm
International Journal of Electronics and Telecommunications, Vol. 61, No. 2, 2015, pp. 137-142 (Details)
E. Helm, F. Paster
2014
Proceedings of the 3rd International Workshop on Innovative Simulation for Healthcare IWISH 2014, Bordeaux, Frankreich, 2014, pp. 26-35
G. Zwettler, W. Backfrieder
Proceedings of the 3rd International Workshop on Innovative Simulation for Healthcare IWISH 2014, Bordeaux, France, 2014, pp. 36-41
W. Backfrieder, G. Zwettler
California, USA, Vereinigte Staaten von Amerika, 2014, pp. 9
G. Zwettler, W. Backfrieder
Tagungsband des 8. Forschungsforum der österreichischen Fachhochschulen, Kufstein, Österreich, 2014, pp. 296-300
G. Zwettler, W. Backfrieder
Tagungsband des 8. Forschungsforum der österreichischen Fachhochschulen, Kufstein, Österreich, 2014, pp. 482-483
G. Zwettler, W. Backfrieder
Phd Thesis, University Vienna, Austria, 2014, pp. 1-273
G. Zwettler
Gesundheitswesen im Wandel – nationale und internationale Perspektiven (Editors: Erwin Gollner, Magdalena Thaller) – Leykam, 2014, pp. 30-35 (Details)
A. Schuler
2013
Cross-Cultural Conference 2013, Steyr, Österreich, 2013, pp. 253-263
M. Gaisch, C. Holzmann, W. Kurschl, H. Mayr, S. Selinger
LECTURE NOTES IN COMPUTER SCIENCE, Vol. 8112, No. 1, 2013, pp. 166-173 (Details)
G. Zwettler, W. Backfrieder
Proceedings of The International Workshop on Innovative Simulation for Healthcare IWISH 2013 , Athens, Greece, Griechenland, 2013, pp. 58-64
G. Zwettler, W. Backfrieder
Proceedings of The International Workshop on Innovative Simulation for Healthcare IWISH 2013 , Athens, Greece, Griechenland, 2013, pp. 28-33
W. Backfrieder, B. Kerschbaumer, G. Zwettler
Proceedings of the 8th International Conference on Computer Vision Theory and Applications, Barcelona, Spanien, 2013, pp. 104-108
G. Zwettler, W. Backfrieder
Computer Aided Systems Theory (Eurocast 2013), Las Palmas, Spanien, 2013, pp. 118-119
G. Zwettler, W. Backfrieder
Proceedings of the 10th International Conference on Information Technology: New Generations (ITNG 2013), Las Vegas, Nevada, USA, 2013 (Details)
A. Schuler, B. Franz
6. Deutscher AAL-Kongress, Berlin, Deutschland, 2013, pp. 1-7 (Details)
B. Franz, M. Buchmayr, A. Schuler, W. Kurschl
Database and Expert Systems Applications, Prague, Tschechische Republik, 2013, pp. 466-473 (Details)
B. Franz, A. Schuler, E. Helm
eHealth2013 – Von der Wissenschaft zur Anwendung und zurück. , Wien, Österreich, 2013, pp. 207-218 (Details)
E. Helm, A. Schuler, H. Mayr
2012
Proceedings IV Kongress 2012, Linz, Österreich, 2012
B. Franz
Proceedings of the 24th European Modeling and Simulation Symposium EMSS 2012, Vienna, Österreich, 2012, pp. 73-81
G. Zwettler, W. Backfrieder
Tagungsband FFH 2012, Graz, Österreich, 2012, pp. 185-189
G. Zwettler, S. Hinterholzer, P. Track, F. Waschaurek, E. Hagmann, R. Woschitz
MIE, Quality of Life through Quality of Information, Pisa, Italien, 2012 (Details)
M. Strasser, E. Helm, A. Schuler, M. Fuschlberger, B. Altendorfer
Proceedings of the 10th International Conference on Information Communication Technologies in Health, Samos, Greece, Griechenland, 2012, pp. 422-432 (Details)
M. Strasser, E. Helm, B. Franz, H. Mayr
eHealth2012 – Health Informatics meets eHealth – von der Wissenschaft zur Anwendung und zurück, Wien, Österreich, 2012, pp. 179-184 (Details)
M. Strasser, E. Helm, A. Schuler, B. Franz, H. Mayr, C. David
Proceedings IV Kongress 2012, Linz, Österreich, 2012
H. Mayr, B. Franz
2011
eHealth 2011, Wien, Österreich, 2011, pp. 209-214
F. Pfeifer, B. Franz, E. Helm, J. Altmann, B. Aichinger
Proccedings of 23rd IEEE European Modeling & Simulation Symposium EMSS 2011, Roma, Italien, 2011, pp. 195-200
B. Franz, H. Mayr
Proceedings of the 23rd European Modeling & Simulation Symposium, Rom, Italien, 2011, pp. 111-117
G. Zwettler, W. Backfrieder, R. Pichler
Proceedings of the 23rd European Modeling & Simulation Symposium, Rom, Italien, 2011, pp. 100-104
W. Backfrieder, G. Zwettler
Tagungsband FFH 2011 (5. Forschungsforum der österreichischen Fachhochschulen), Wien (Favoriten), Österreich, 2011, pp. 38-41
G. Zwettler, W. Backfrieder, R. Pichler
Proc. of the 3rd International ICST Conference on IT Revolutions , Cordoba, Spanien, 2011, pp. 20
G. Zwettler, S. Hinterholzer, P. Track, R. Woschitz, F. Waschaurek, E. Hagmann
Proceedings of International Conference on Computer Aided Systems Theory EUROCAST 2011, Las Palmas, Spanien, 2011, pp. 233-235
G. Zwettler, S. Hinterholzer, F. Waschaurek, R. Woschitz, E. Hagmann, P. Track
Proceedings of International Conference on Computer Aided Systems Theory EUROCAST 2011, Las Palmas, Spanien, 2011, pp. 363-365
G. Zwettler, W. Backfrieder, R. Pichler
Proceedings IADIS International Conference e-Health 2011 – EH 2011, Rom, Italien, 2011, pp. 4
B. Franz, H. Mayr
2010
Krankenhaus-IT Journal, Vol. 50, No. 4, 2010, pp. 60-61
B. Franz
ÖKZ Das österreichische Gesundheitswesen, Vol. 51, No. 7, 2010, pp. 9-11
B. Franz, M. Lehner, M. Mayr
ECOOP 2010 – 1st Workshop on Testing Object-Oriented Software Systems, Maribor, Slowenien, 2010, pp. 9-15
A. Strasser, H. Mayr, T. Naderhirn
22nd European Modeling and Simulation Symposium EMSS 2010, Fes, Marokko, 2010, pp. 49-58
G. Zwettler, S. Hinterholzer, E. Hagmann, R. Woschitz, P. Track, F. Waschaurek
Tagungsband des 4. Forschungsforum der österreichischen Fachhochschulen, Pinkafeld, Österreich, 2010, pp. 79-84
G. Zwettler, W. Backfrieder
Intelligente Objekte und Mobile Informationssysteme im Gesundheitswesen, Erlangen, Deutschland, 2010
B. Franz, H. Mayr, M. Mayr
Proceedings of 7th International Conference on Information Technology : New Generations, Las Vegas, Vereinigte Staaten von Amerika, 2010
B. Franz, H. Mayr, M. Mayr
2009
eHealth2009, Wien, Österreich, 2009, pp. 115-121
J. Altmann, B. FRANZ, D. Mörtenschlag, F. Pfeifer, M. Strasser, B. Aichinger, R. Koller
Proceedings of 21st European Modeling and Simulation Symposium EMSS 2009, Tenerife, Spanien, 2009, pp. 3
J. Altmann, F. Pfeifer, M. Strasser, B. Franz, H. Mayr
Proceedings of 21st European Modeling and Simulation Symposium EMSS 2009, Tenerife, Spanien, 2009, pp. 161-166
G. Zwettler, W. Backfrieder, R. Swoboda, F. Pfeifer
Proceedings of 21st European Modeling and Simulation Symposium EMSS 2009, Tenerife, Spanien, 2009, pp. 154-160
R. Swoboda, G. Zwettler, J. Scharinger, C. Steinwender, F. Leisch
Tagungsband des 3. Forschungsforums der österreichischen Fachhochschulen, Fachhochschule Kärnten, Villach, Österreich, 2009, pp. 6
G. Zwettler, W. Backfrieder, R. Swoboda, F. Pfeifer
Tagungsband des 3. Forschungsforums der österreichischen Fachhochschulen, Fachhochschule Kärnten, Villach, Österreich, 2009, pp. 2
G. Zwettler, W. Backfrieder
Master/Diploma Thesis, FH OÖ Fakultät Hagenberg, Österreich, 2009, pp. 104
G. Zwettler
Proceedings of 21st European Modeling and Simulation Symposium EMSS 2009, Tenerife, Spanien, 2009, pp. 8
B. Franz, H. Mayr, M. Mayr, F. Pfeifer, J. Altmann, M. Lehner
Proceedings of the 6th International Conference on Information Technology : New Generations, Las Vegas, Vereinigte Staaten von Amerika, 2009
B. Franz, M. Lehner, H. Mayr, M. Mayr
Proceedings Med-e-Tel 2009, Global Telemedicine and eHealth Updates: Knowledge Resources Vol. 2, Luxembourg, Luxemburg, 2009, pp. 452-455
H. Mayr, B. Franz
2008
Requirements Days 2008, Nürnberg, Deutschland, 2008, pp. 19
H. Mayr
The Insight Journal, Vol. 3, No. 2, 2008, pp. 36
R. Swoboda, W. Backfrieder, G. Zwettler, F. Pfeifer
IGRT Vienna 2008 , Wien, Österreich, 2008, pp. 14
W. Backfrieder, G. Zwettler, R. Swoboda, F. Pfeifer, H. Kratochwill, F. Fellner
Challenges in Biosciences: Image Analysis and Pattern Recognition Aspects, St. Magdalena, Linz, Austria, Österreich, 2008, pp. 91-102
G. Zwettler, W. Backfrieder, F. Pfeifer, R. Swoboda
Proceedings of FFH2008 Fachhochschul Forschungs Forum, Wels, Österreich, 2008, pp. 253-259
G. Zwettler, W. Backfrieder, F. Pfeifer, R. Swoboda, H. Kratochwill, F. Fellner
Proceedings 2009 Tagungsband Bericht 2008 Journal Tagungsband – 6 – of FFH2008 Fachhochschul Forschungs Forum, Wels, Österreich, 2008, pp. 2
F. Pfeifer, W. Backfrieder, G. Zwettler, R. Swoboda, H. Kratochwill, M. Malek, R. Hainisch
Proceedings of the 3rd International Conference on Computer Vision Theory and Applications, Funchal, Madeira – Portugal, Portugal, 2008, pp. 74-80
G. Zwettler, W. Backfrieder, F. Pfeifer, R. Swoboda
Proceedings of the 20th European Modeling and Simulation Symposium, Campora S. Giovanni, Italien, 2008
C. Novak, B. Franz, H. Mayr, M. Vesely
Proceedings of The 2008 Internationa Conference on Machine Learning; Models, Technologies and Applications, Las Vegas, Vereinigte Staaten von Amerika, 2008, pp. 787-793
M. Vesely, C. Novak, A. Reh, H. Mayr
Proc. 23. STEV-Österreich-Fachtagung IT-/Software-Qualitätsmanagement in der Praxis, Wien, Österreich, 2008, pp. 48-59
H. Mayr
Proceedings of FFH2008 Fachhochschul Forschungs Forum, Wels, Österreich, 2008, pp. 3
J. Altmann, H. Mayr, W. Steinbichl
2007
Proceedings of International Mediterranean Modelling Multiconference I3M2007, Genoa, Italien, 2007, pp. 289-293
H. Mayr
Tagungsband des ersten Forschungsforum der österreichischen Fachhochschulen, Fachhochschule Salzburg, Campus Urstein, Österreich, 2007, pp. 244-250
H. Mayr, M. Vesely
Proc. 14th IEEE International Conference and Workshop on the Engineering of Computer Based Systems (ECBS’ 07), Tucson, Vereinigte Staaten von Amerika, 2007, pp. 397-402
H. Mayr
Proceedings of International Conference Computer Aided Systems Theory EUROCAST 2007, Las Palmas, Spanien, 2007, pp. 1097-1104
M. Vesely, H. Mayr
International Journal of Computer Assisted Radiology and Surgery, Berlin, Deutschland, 2007, pp. 460-461
W. Backfrieder, G. Zwettler, R. Swoboda, F. Pfeifer, H. Kratochwill, F. Fellner
Tagungsband des ersten Forschungsforum der österreichischen Fachhochschulen, Fachhochschule Salzburg, Campus Urstein, Österreich, 2007, pp. 425-426
G. Zwettler, W. Backfrieder, R. Swoboda, F. Pfeifer, H. Kratochwill, F. Fellner
Tagungsband des ersten Forschungsforum der österreichischen Fachhochschulen, Fachhochschule Salzburg, Campus Urstein, Österreich, 2007, pp. 401-402
F. Pfeifer, W. Backfrieder, R. Swoboda, G. Zwettler, H. Kratochwill, F. Fellner, M. Malek, R. Hainisch
2006
Proceedings FH Science Day 2006, Hagenberg, Österreich, 2006, pp. 74-80
F. Pfeifer, W. Backfrieder, R. Swoboda, G. Zwettler
Proceedings of the International Mediterranean Modelling Multiconference (I3M 2015), Barcelona, Spanien, 2006, pp. 675-680
G. Zwettler, R. Swoboda, W. Backfrieder, C. Steinwender, F. Leisch, C. Gabriel
2005
Proceedings of Conceptual Modeling and Simulation Conference (CMS 2005), Marseille, Frankreich, 2005, pp. 185-191
R. Swoboda, W. Backfrieder, G. Zwettler, M. Carpella, C. Steinwender, F. Leisch, C. Gabriel
Master/Diploma Thesis, FH OÖ Fakultät Hagenberg, Österreich, 2005, pp. 94
G. Zwettler