Das Vorhaben umfasst Teilprojekt 4 des Verbundes MicMode-I2T. Das Vorhaben trägt mit Methoden des maschinellen Lernens und Deep Learnings zur MicMode-I2T-Plattform bei und wird Segmentierung und Identifizierung relevanter Regionen in Histologie-Bildern von Biopsien implementieren. Methoden des maschinellen Lernens ermöglichen es, innerhalb von hochdimensionalen Bildern besonders relevante Regionen, wie Tumorgewebe, zu identifizieren. Durch detailgenaue Segmentierung werden einzelne Zellen und Zelltypen identifiziert und Informationen über Zelldichte und Zellumgebung für andere Subprojekte bereitgestellt. Dabei werden Modelle zwischen Bilddatentypen mittels Transfer Learning übertragen: Ein Modell, das auf einen bestimmten Datensatz für eine spezifische Aufgabe trainiert wurde, wird auf einen anderen Datensatz übertragen. Die Modelle erlauben durch die Segmentierung und Klassifikation relevanter Regionen den nachfolgenden mathematischen Modellen eine Analyse der Zell-Zell-Interaktionen in den betrachteten Geweben. Eine Besonderheit des Ansatzes ist es, Unsicherheiten der Klassifikation an die mathematischen Modelle weiter zu propagieren, indem zunächst Ensemble-Modelle und später Bayesianische Ansätze angewendet werden.