Dr. Tingying Peng
Helmholtz AI Young Investigator Group
KI für Mikroskopie und computergestützte Pathologie
Lehrstuhl für Computational Imaging and AI in Medicine
Kontakt
Wissenschaftliche Laufbahn und Forschungsgebiete
Tingying Peng (* 1984) forscht im Bereich der Künstlichen Intelligenz für die Mikroskopbildanalyse. Das Ziel ihrer Helmholtz-Nachwuchsgruppe ist die Entwicklung neuer KI-Methoden, die Lebenswissenschaftlern und Pathologen dabei helfen, mikroskopische Bilder quantitativer und effizienter zu analysieren, um so mehr Erkenntnisse daraus zu ziehen. Ihre Gruppe hat an verschiedenen Arten von Mikroskopiebildern gearbeitet, einschließlich histopathologischer Bilder für die computergestützte Pathologie, klassischer Hellfeld- und Fluoreszenzaufnahmen sowie fortschrittlicherer Methoden wie der Kryo-Elektronentomographie (Cryo-ET), 3D-Lichtblattmikroskopie und Mikroskopen mit erweiterter Tiefenschärfe (EDOF). „mit elektrisch einstellbaren Linsen“.
Tingying Peng studierte ab 2005 Elektrotechnik und Angewandte Mathematik an der Peking-Universität in China. Anschließend promovierte sie im Jahr 2009 in Biomedizinischer Technik an der Universität Oxford im Vereinigten Königreich. Sie arbeitete dort an der Entwicklung neuer Signalverarbeitungsmethoden zur Analyse des zerebralen Blutflusses und Stoffwechsels. Im Jahr 2013 trat Dr. Peng als Humboldt-Forschungsstipendiatin der Technischen Universität München (TUM) in Deutschland bei und begann ihre Forschung auf dem Gebiet der Verarbeitung von Mikroskopiebildern. Seit Herbst 2020 ist sie Principal Investigator bei Helmholtz AI im Helmholtz Zentrum München.
Wichtigste Auszeichungen
- 2015 Laura Bassi Award from TUM, Munich, Germany, support female researcher in science
- 2013 Postdoctoral fellowship of the Humboldt Foundation
- 2005 Dorothy Hodgkins Postgraduate Award, support outstanding PhD student, UK
Schlüsselpublikationen
Wagner S. et al.”Transformer-based biomarker prediction from colorectal cancer histology: A large-scale multicentric study”. Cancer Cell (2023)
AbstractWagner S. et al.”Make deep learning algorithms in computational pathology more reproducible and reusable”. Nature Medicine (2022)
AbstractMoebel E. et al. “Deep Learning Improves Macromolecule Identification in 3D Cellular Cryo-Electron Tomograms.” Nature Methods (2021)
AbstractPeng T, et al. “A BaSiC Tool for Background and Shading Correction of Optical Microscopy Images”. Nature Communications (2017)
AbstractVahadane A, Peng T, et al. “Structure-Preserving Color Normalization and Sparse Stain Separation for Histological Images.” IEEE Transactions on Medical Imaging (2016)
AbstractBei Änderungs- oder Aktualisierungswünschen wenden Sie sich bitte an TUM Talent Factory.