Prof. Dr. Susanne Suter

• Smart Hospital Innosuisse Flagship: Hospital @ Home Pilotstudie mit USB und Medgate, Prix D’Excellence SanteNeXt 2023, mit Gewinnervideo
• Baby-sleep-doctors App: Künstliche Intelligenz am Kinderbett mit baby-sleep-doctors und Kinderspital Zürich
• AI for Better Caries Diagnosis by Dentists, mit Nostic Solutions
• Vibwife Moving Birth Care mit Kantonsspital Baden und Vibwife

• «KI ist absolut Alltagstauglich» - HTZ Interview
• Gender Gap, SRF Eco

Seit 2021
Professorin in Data Science, Institut für Data Science, FHNW, Windisch

LinkedIn

Prof. Dr. Susanne Suter ist eine Expertin auf dem Gebiet der Informatik, Data Science und Künstliche Intelligenz (KI) an der Schnittstelle zu Medizintechnik und Biologie – in der angewandten Forschung sowie in der Aus- und Weiterbildung in Data Science. Sie hat viele Projekte zur automatisierten Analyse von radiographischen Bildern (MRI, CT, Ultraschall, OCT, Röntgen) entwickelt – insbesondere im Bereich semantischer Segmentierung und Objekterkennung mittels Deep Learning und klassischer Bildverarbeitung. Weitere Projekte sind im Bereich der Signaldatenverarbeitung von Vitalparametern (stream-processing und wearables) sowie mit klinischen Studien. Zudem hat sie Pionierarbeit im Bereich des compression-domain-GPU-basierten Volumen-Renderings für die Echtzeitvisualisierung grosser 3D-Bilddatensätze geleistet, indem sie Dimensionsreduktionsverfahren für multi-resolution und multi-scale Visualisierung integriert hat. Ausserdem ist sie interessiert, Methoden der Erklärbaren Künstlichen Intelligenz in Projekten einzusetzen, um sichtbar zu machen, wie Entscheidungen von Modellen getroffen wurden.

Google Scholar

• Hartmann, Maloca, Huwyler, Melchior and Suter, Comparative Deep Learning Architectures to Detect Tiny Features in Ophthalmic Imaging, IEEE Swiss Conference on Data Science (SDS), Zurich, Switzerland, 2023, pp. 112-119.
• Boss, Narula, Straessle, Willms, Azzati, Brodbeck, Luethy, Suter, Buehler, Muroi, Mack, Seric, Baumann, Keller. ICU Cockpit: a platform for collecting multimodal waveform data, AI-based computational disease modeling and real-time decision support in the intensive care unit. Journal of the American Medical Informatics Association, Volume 29, Issue 7, 2022, pp 1286–1291.
• Maloca, Müller, Lee, Tufail, Balaskas, Niklaus, Kaiser, Suter, Zarranz-Ventura, Egan, Scholl, Schnitzer, Hasler, Denk, Unraveling the Deep Learning Gearbox in Optical Coherence Tomography Image Segmentation Towards Explainable Artificial Intelligence, Nature Communications Biology, vol. 4, no. 170, Feb 2021.
• Pajarola, Suter, Ballester-Ripoll, Yang, Tensor Approximation for Multidimensional and Multivariate Data, Anisotropy Across Fields and Scales, Springer International Publishing, 2021.
• Maloca, Lee, Ramos de Carvalho, Okada, Leung, Hoermann, Kaiser, Suter, Hasler, Egan, Heeren, Balaska, Tufail, Scholl, Zarranz-Ventura, Fasler, Validation of Automated Artificial Intelligence Segmentation of Optical Coherence Tomography Images, PLOS ONE, Aug 2019.
• Balsa Rodriguez, Gobbetti, Iglesias Guitian, Makhynia, Marton, Pajarola, Suter, State-of-the-Art in Compressed GPU-based Direct Volume Rendering, Computer Graphics Forum, vol. 33, pp. 77-100, Sep 2014.
• Suter, Iglesias Guitian, Marton, Agus, Elsener, Zollikofer, Gopi, Gobbetti, Pajarola, Interactive Multiscale Tensor Reconstruction for Multiresolution Volume Visualization, IEEE Transactions on Visualization and Computer Graphics, vol. 17, no. 12, pp. 2135-2143, Dec 2011.
• Suter, Harders, Papageorgopoulou, Kuhn, Szekely, and Ruhli, Technical Note: Standardized and Semiautomated Harris Lines Detection, American Journal of Physical Anthropology, vol. 137, no. 3, pp. 362-366, Nov 2008.