Die IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) zählt zu den weltweit führenden Konferenzen im Bereich der Computer Vision. Die diesjährige Ausgabe fand im Juni 2025 in Nashville, Tennessee (USA) statt und stand erneut im Zeichen hochkarätiger Forschung und technologischer Innovation.
Ein herausragender Erfolg gelang dabei dem Labor Regensburg Medical Image Computing (ReMIC) der OTH Regensburg: Die Publikation
„OpenMIBOOD: Open Medical Imaging Benchmarks for Out-Of-Distribution Detection“,
verfasst von Max Gutbrod, Doktorand am ReMIC, und den Co-Autoren David Rauber, Danilo Weber Nunes und Christoph Palm wurde als Poster für das Hauptprogramm der Konferenz angenommen. Angesichts von über 13.000 Einreichungen und einer Annahmequote von 22,1 % stellt das bereits einen bemerkenswerten Erfolg dar. Mit einem Review-Score von 4.66 von 5 zählt die Arbeit zudem zu den bestbewerteten Beiträgen der CVPR 2025. Die von Max Gutbrod präsentierte Arbeit stieß auf reges Interesse aus der Fachcommunity.
OpenMIBOOD widmet sich einem zentralen Thema für den sicheren Einsatz Künstlicher Intelligenz in der Medizin: der zuverlässigen Erkennung von Out-of-Distribution (OOD)-Daten – also Bildmaterial, das nicht den Trainingsdaten eines Modells entspricht und potenziell zu Fehlentscheidungen führen kann. Der Benchmark deckt 14 medizinische Datensätze aus drei Fachrichtungen ab und vergleicht 24 bestehende OOD-Erkennungsverfahren. Eine zentrale Erkenntnis der Arbeit: Ergebnisse aus OOD-Tests mit natürlichen Bildern lassen sich nicht ohne Weiteres auf medizinische Daten übertragen – was den Bedarf an spezialisierten, domänenspezifischen Benchmarks unterstreicht.
Die Präsentation in Nashville wurde durch die Unterstützung des Regensburg Center for Health Sciences and Technology (RCHST) ermöglicht: Sowohl die Anschubfinanzierung der Forschungsarbeit als auch die Reisekosten wurden durch Mittel des RCHST gefördert.
Damit leistete die OTH Regensburg einen wichtigen Beitrag zur laufenden Diskussion über die Verlässlichkeit von KI-Systemen in sicherheitskritischen Anwendungsfeldern wie der medizinischen Bildverarbeitung.
