Prof. Dr. Daniel Rückert

Professur

Artificial Intelligence in Healthcare and Medicine

Wissenschaftliche Laufbahn und Forschungsgebiete

Professor Rückert (*1969) arbeitet auf dem Gebiet der Künstlichen Intelligenz (KI) und des Maschinellen Lernens und deren Anwendungen in der Medizin. Seine Forschungsschwerpunkte liegen in den Bereichen: (1) Entwicklung von innovativen Algorithmen zur Bilderakquisition, Bildanalyse und Bildinterpretation – insbesondere in den Bereichen Registrierung, Rekonstruktion, Tracking, Segmentierung und Modellierung; (2) KI zur Extraktion klinisch Informationen aus medizinischen Bildern – insbesondere zur computergestützten Diagnose und Prognose.

Seit 2020 ist Daniel Rückert Alexander von Humboldt-Professor für KI in der Medizin an der Technischen Universität München. Zusätzlich ist er Professor am Imperial College London. Er studierte Informatik an der TU Berlin (1993) und ging danach zur Promotion an das Imperial College (1997), gefolgt von einem Post-Doc am King's College London. 1999 wurde er Assistant Professor am Imperial College. Seit 2005 hat er den Lehrstuhl für Visual Information Processing am Imperial College inne wo er auch von 2016 bis 2020 als Dekan tätig war.

    Wichtigste Auszeichnungen

    • Alexander von Humboldt Professur (2020)
    • Fellow, Academy of Medical Sciences (2019)
    • Fellow, Royal Academy of Engineering (2015)
    • Fellow, IEEE (2015)
    • Fellow, MICCAI (2014)

    Schlüsselpublikationen (alle Publikationen)

    Rueckert, D. and Schnabel, J. A.: “Model-Based and Data-Driven Strategies in Medical Image Computing”. Proceedings of the IEEE. 2020; 108(1): 110-124.

    Abstract

    Kaissis, G. A., Makowski, M. R., Rueckert, D. and Braren, R. F.: “Secure, privacy-preserving and federated machine learning in medical imaging”. Nature Machine Intelligence 2. 2020; 305–311.

    Abstract

    Bello, G. A., Dawes, T. J. W., Duan, J., Biffi, C., de Marvao, A., Howard, L. S. G. E., Gibbs, J. S. R., Wilkins, M. R., Cook, S. A., Rueckert, D. and O'Regan, D. P.: “Deep learning cardiac motion analysis for
    human survival prediction”. Nature Machine Intelligence. 2019; 1:95-104.

    Abstract

    Schlemper, J., Oktay, O., Schaap, M., Heinrich, M., Kainz, B., Glocker, B. and Rueckert, D.: “Attention gated networks: Learning to leverage salient regions in medical images”. Medical Image Analysis. 2019; 53:197-207.

    Abstract

    Schlemper, J., Caballero, J., Hajnal, J. V., Price, A. N. and Rueckert, D.: “A Deep Cascade of Convolutional Neural Networks for Dynamic MR Image Reconstruction”. IEEE Transactions on Medical Imaging. 2018; 37(2): 491-503.

    Abstract