Chair of Explainable Machine Learning · University of BambergLehrstuhl für Erklärbares Maschinelles Lernen · Universität Bamberg

Prof. Dr.Christian Ledig

AI you can trust in the clinic and in production, from research to regulated products.KI, der man in Klinik und Praxis vertrauen kann – von der Forschung bis zum zugelassenen Produkt.

Full professor and Chair of Explainable Machine Learning at the University of Bamberg, head of xAILab Bamberg, and former Head of AI in the US health-tech startup sector. I help organisations build machine learning systems that are robust, explainable and ready for real-world use. Universitätsprofessor und Inhaber des Lehrstuhls für Erklärbares Maschinelles Lernen an der Universität Bamberg, Leiter des xAILab Bamberg und ehemaliger Head of AI im US-amerikanischen Health-Tech-Startup-Sektor. Ich unterstütze Organisationen dabei, KI-Systeme zu entwickeln, die robust, erklärbar und praxistauglich sind.

Work with meZusammenarbeit Talks & keynotesVorträge & Keynotes PublicationsPublikationen
32,000+citationsZitationen
75+peer-reviewed articlesbegutachtete Fachartikel
Top 2%most-cited scientists worldwideder meistzitierten Forschenden weltweit
15+years in ML, computer vision & medical imagingJahre in ML, Computer Vision & medizinischer Bildanalyse
Prof. Dr. Christian Ledig
lowgering highhoch

An illustration of a saliency map: explainable-AI methods like this highlight which image regions drive a model's decision. Move the pointer over the photo to shift the focus.Illustration einer Saliency Map: Solche Methoden der erklärbaren KI zeigen, welche Bildbereiche eine Modellentscheidung beeinflussen. Bewegen Sie den Mauszeiger über das Foto, um den Fokus zu verschieben.

AboutÜber mich

Between academia and industryZwischen Wissenschaft und Industrie

Since April 2022 I hold the Chair of Explainable Machine Learning at the Faculty of Information Systems and Applied Computer Sciences, University of Bamberg. I lead xAILab Bamberg, where we work on explainable and robust machine learning and its transfer into practice, especially in healthcare. I am a member of ELLIS and of the board of the Bamberg Center for Artificial Intelligence (BaCAI).

Before my appointment I worked in industry AI research: at Twitter (now X) in London, where we developed SRGAN, and in the US startup sector as Sr. Research Scientist at Imagen Technologies in Manhattan and Head of AI at Videa in Boston. There I led research teams and built FDA-regulated, AI-driven healthcare systems that are cleared today and improve patient care.

I received my PhD from Imperial College London (BioMedIA group, Prof. Daniel Rueckert) on robust multi-structure segmentation of MR brain images, and commercialised parts of that work as Senior Imaging Scientist at IXICO plc. Research stays took me to the Computational Radiology Laboratory at Boston Children's Hospital (Harvard Medical School) and the University of Cambridge. I studied Applied Mathematics at FAU Erlangen-Nürnberg and wrote my diploma thesis at Siemens Corporate Research in New Jersey.

Seit April 2022 leite ich den Lehrstuhl für Erklärbares Maschinelles Lernen an der Fakultät Wirtschaftsinformatik und Angewandte Informatik der Otto-Friedrich-Universität Bamberg. Ich leite das xAILab Bamberg, das zu erklärbaren und robusten Ansätzen des maschinellen Lernens und deren Übertragung in die Praxis forscht, insbesondere im Gesundheitswesen. Ich bin Mitglied von ELLIS und des Leitungsgremiums des Bamberger Zentrums für Künstliche Intelligenz (BaCAI).

Vor meiner Berufung forschte ich zu KI in der Industrie: bei Twitter (heute X) in London, wo wir SRGAN entwickelten, und im US-Startup-Sektor als Sr. Research Scientist bei Imagen Technologies in Manhattan sowie als Head of AI bei Videa in Boston. Dort leitete ich Forschungsteams und entwickelte FDA-regulierte, KI-gestützte Gesundheitssysteme, die heute zugelassen sind und die Patientenversorgung verbessern.

Ich promovierte 2015 am Imperial College London (BioMedIA-Gruppe, Prof. Daniel Rueckert) zum Thema „Robust Multi-Structure Segmentation of Magnetic Resonance Brain Images“ und kommerzialisierte ausgewählte Algorithmen als Senior Imaging Scientist bei IXICO plc. Forschungsaufenthalte führten mich an das Boston Children's Hospital (Harvard Medical School) und an die University of Cambridge. Zuvor studierte ich Technomathematik an der FAU Erlangen-Nürnberg und schrieb meine Diplomarbeit bei Siemens Corporate Research in New Jersey.

Wikipedia article (German)Artikel auf Wikipedia
EditorialEditorial
Associate Editor, Pattern Recognition (Elsevier)
Area Chair
MIDL 2019, MICCAI 2025 & 2026, IJCAI-ECAI 2026
Program committeesProgrammkomitees
CVPR-NTIRE (2018–2025), ECCV/ICCV-AIM (2020–2024)
ReviewingGutachter
ACM SIGGRAPH, SIGGRAPH Asia, CVPR (Outstanding ReviewerOutstanding Reviewer 2021), ICCV, ECCV, MICCAI, Medical Image Analysis, IEEE TMI, IEEE TPAMI
Grant reviewFördergutachten
ERC · DFG · Carl-Zeiss-Stiftung
MembershipsMitgliedschaften
ELLIS · Board member, Bamberg Center for AI (BaCAI)ELLIS · Leitungsgremium Bamberger Zentrum für KI (BaCAI)
CareerWerdegang
  1. 2022–
    Full Professor, Chair of Explainable MLUniversitätsprofessor, Lehrstuhl für Erklärbares MLUniversity of BambergUniversität Bamberg
  2. 2022–
    Head of xAILab BambergLeitung xAILab BambergResearch lab for explainable and robust MLForschungslabor für erklärbares und robustes ML
  3. 2020–2021
    Head of AIVidea · Boston, MA
  4. 2018–2020
    Sr. Research ScientistImagen Technologies · New York, NY
  5. 2016–2017
    Sr. Computer Vision ResearcherTwitter · London, UK
  6. 2015–2016
    Research Associate · Visiting ResearcherResearch Associate · GastwissenschaftlerImperial College London · University of Cambridge
  7. 2013–2015
    Senior Imaging Scientist (part-time)Senior Imaging Scientist (Teilzeit)IXICO plc · London, UK
  8. –2015
    PhD, Medical Image AnalysisPromotion, Medizinische BildanalyseImperial College London · BioMedIA
  9. Earlier
    Davor
    Research Intern · Siemens AGResearch Intern · Siemens AGSiemens Corporate Research (NJ, USA); several years with Siemens Healthcare and IndustrySiemens Corporate Research (NJ, USA); mehrere Jahre bei Siemens Healthcare und Industry
  10. Earlier
    Davor
    Diploma in Applied MathematicsDiplom TechnomathematikFAU Erlangen-Nürnberg · Siemens Topaz and Leonardo-Kolleg alumnus · apprenticeship at Lucent Technologies (Bell Labs)FAU Erlangen-Nürnberg · Alumnus Siemens Topaz und Leonardo-Kolleg · Ausbildung zum Fachinformatiker bei Lucent Technologies (Bell Labs)
Consulting & ServicesBeratung & Leistungen

Independent expertise for AI that has to workUnabhängige Expertise für KI, die funktionieren muss

I advise companies, investors and public institutions on machine learning, with a focus on medical and safety-critical applications. You get someone who has published at the research frontier and shipped regulated AI products.Ich berate Unternehmen, Investoren und öffentliche Einrichtungen zu maschinellem Lernen, mit Schwerpunkt auf medizinischen und sicherheitskritischen Anwendungen. Sie erhalten Erfahrung aus Spitzenforschung und aus der Entwicklung zugelassener KI-Produkte.

AI strategy & advisory

KI-Strategie & Beratung

Where machine learning creates value for your organisation, and what it takes to get there.

Wo maschinelles Lernen in Ihrer Organisation Mehrwert schafft und was es dafür braucht.

  • Roadmaps and use-case assessment
  • Build vs. buy, team setup and hiring
  • Advisory board roles
  • Roadmaps und Bewertung von Use Cases
  • Make-or-buy, Teamaufbau und Recruiting
  • Mandate in Beiräten

Medical AI development

Medizinische KI-Entwicklung

From data strategy to clinical validation, informed by building FDA-cleared AI systems.

Von der Datenstrategie bis zur klinischen Validierung, mit Erfahrung aus FDA-zugelassenen KI-Systemen.

  • Data, annotation and evaluation design
  • Validation for regulatory submissions
  • Medical imaging model development
  • Daten-, Annotations- und Evaluationskonzepte
  • Validierung für regulatorische Einreichungen
  • Modellentwicklung für medizinische Bildgebung

Trustworthy & explainable AI

Vertrauenswürdige & erklärbare KI

Make models robust, transparent and auditable before they meet real-world data.

Modelle robust, transparent und prüfbar machen, bevor sie auf reale Daten treffen.

  • Robustness, OOD and uncertainty analysis
  • Explainability and failure-mode reviews
  • Preparing for AI transparency requirements
  • Analyse von Robustheit, OOD und Unsicherheit
  • Erklärbarkeit und Fehleranalysen
  • Vorbereitung auf Transparenzanforderungen

Technical due diligence

Technische Due Diligence

Independent assessment of AI technology, teams and IP for investors and acquirers.

Unabhängige Bewertung von KI-Technologie, Teams und IP für Investoren und Käufer.

  • Technology and data audits
  • Claims vs. evidence review
  • Expert opinions and patents
  • Technologie- und Datenaudits
  • Prüfung von Versprechen gegen Evidenz
  • Gutachten und Patente

Computer vision & imaging

Computer Vision & Bildanalyse

Hands-on expertise across the imaging stack, from pixels to foundation models.

Praktische Expertise über die gesamte Bildverarbeitung, vom Pixel bis zum Foundation Model.

  • Super-resolution and image enhancement
  • Segmentation, detection, classification
  • Adapting foundation models efficiently
  • Super-Resolution und Bildverbesserung
  • Segmentierung, Detektion, Klassifikation
  • Effiziente Anpassung von Foundation Models

Talks, workshops & training

Vorträge, Workshops & Schulungen

Keynotes, executive briefings and in-house training on AI in practice, in English or German.

Keynotes, Briefings für Führungskräfte und Inhouse-Schulungen zu KI in der Praxis, auf Deutsch oder Englisch.

  • Keynotes and panel discussions
  • Workshops for leadership and engineers
  • Joint research projects with xAILab
  • Keynotes und Podiumsdiskussionen
  • Workshops für Führungskräfte und Entwickler
  • Gemeinsame Forschungsprojekte mit dem xAILab

Why work with me

Warum mit mir arbeiten

  • Led AI teams in US health-tech startups and shipped FDA-regulated products that are in clinical use.Leitung von KI-Teams in US-Health-Tech-Startups und Entwicklung FDA-regulierter Produkte im klinischen Einsatz.
  • Co-author of widely used methods such as SRGAN and DeepMedic; among the top 2% most-cited scientists.Mitautor vielgenutzter Methoden wie SRGAN und DeepMedic; unter den 2 % meistzitierten Forschenden weltweit.
  • Current research on robustness, OOD detection and explainability flows directly into advice.Aktuelle Forschung zu Robustheit, OOD-Erkennung und Erklärbarkeit fließt direkt in die Beratung ein.
  • Speaks to clinicians, engineers, executives and the public alike, in English and German.Verständlich für Ärzteschaft, Entwickler, Führungskräfte und Öffentlichkeit, auf Deutsch und Englisch.

Ways to engage

Formen der Zusammenarbeit

AdvisoryBeratungsmandatOngoing strategic support, e.g. a few days per quarter or a board seat.Laufende strategische Begleitung, z. B. einige Tage pro Quartal oder ein Beiratssitz.
ProjectProjektScoped engagements such as a model audit or validation plan.Klar umrissene Aufträge, etwa ein Modell-Audit oder ein Validierungskonzept.
Expert opinionGutachtenWritten assessments for due diligence, tenders or patents.Schriftliche Bewertungen für Due Diligence, Ausschreibungen oder Patente.
Talk / workshopVortrag / WorkshopKeynotes, half-day or full-day sessions, on site or remote.Keynotes, halb- oder ganztägige Formate, vor Ort oder online.

Have a project in mind?

Sie haben ein Projekt im Kopf?

Send a short description and I will get back to you.

Schicken Sie mir eine kurze Beschreibung, ich melde mich bei Ihnen.

Get in touchKontakt aufnehmen
ResearchForschung

Explainable, robust machine learningErklärbares, robustes maschinelles Lernen

At xAILab Bamberg we develop machine learning methods that remain reliable under distribution shift, explain their decisions, and respect data privacy. Healthcare is our main application area.Im xAILab Bamberg entwickeln wir Methoden des maschinellen Lernens, die auch bei veränderten Daten zuverlässig bleiben, ihre Entscheidungen erklären und den Datenschutz respektieren. Unser wichtigstes Anwendungsfeld ist das Gesundheitswesen.
xAILab Bamberg logo

Out-of-distribution detection

Out-of-Distribution-Erkennung

Knowing when a model should not be trusted, e.g. Mahalanobis residual scoring and entropy-based layer selection in vision-language models.

Erkennen, wann einem Modell nicht zu trauen ist, z. B. mit Mahalanobis-Residual-Scoring oder entropiebasierter Layer-Auswahl in Vision-Language-Modellen.

Domain generalisation

Domänengeneralisierung

Models that transfer across scanners, sites and image styles, from style transfer in ViTs to hyperbolic consistency learning.

Modelle, die über Scanner, Standorte und Bildstile hinweg funktionieren, von Style Transfer in ViTs bis zu hyperbolischem Konsistenzlernen.

Privacy-preserving data sharing

Datenschutzwahrender Datenaustausch

Sharing embedding distributions instead of patient data, with conditional VAEs and differential privacy.

Austausch von Embedding-Verteilungen statt Patientendaten, mit Conditional VAEs und Differential Privacy.

Foundation models

Foundation Models

Efficient adaptation and evaluation of large pre-trained models, including parameter-efficient mixtures of experts.

Effiziente Anpassung und Evaluation großer vortrainierter Modelle, etwa mit parametereffizienten Mixture-of-Experts.

Benchmarks & data quality

Benchmarks & Datenqualität

MedMNIST+ and MedMNIST-C for realistic model prototyping, and learning with noisy labels.

MedMNIST+ und MedMNIST-C für realistisches Prototyping sowie Lernen mit verrauschten Labels.

Applications

Anwendungen

Medical imaging (MRI, X-ray, endoscopy, SPECT), handwriting analysis, and heritage timber structures.

Medizinische Bildgebung (MRT, Röntgen, Endoskopie, SPECT), Handschriftanalyse und historische Holzkonstruktionen.

Research in practiceForschung in der Praxis
MaRS overview: an autoencoder on frozen foundation-model features; residuals scored with a Mahalanobis distance
When should a model not be trusted?Wann sollte man einem Modell nicht trauen?

MaRS: detecting unfamiliar inputs

MaRS: unbekannte Eingaben erkennen

Models degrade silently when patients, devices or acquisition settings change. MaRS flags such inputs without any labels: a lightweight add-on to an existing foundation model that measures how far a new image deviates from the training data. It outperforms established detectors across three imaging modalities and several types of distribution shift.

Modelle verschlechtern sich unbemerkt, wenn sich Patienten, Geräte oder Aufnahmebedingungen ändern. MaRS erkennt solche Eingaben ohne Labels: ein leichtgewichtiger Zusatz zu einem bestehenden Foundation Model, der misst, wie stark ein neues Bild von den Trainingsdaten abweicht. Über drei Bildgebungsmodalitäten und verschiedene Arten von Verteilungsverschiebungen übertrifft es etablierte Verfahren.

Relevant for: safe deployment, post-market monitoring, quality controlRelevant für: sicheren Einsatz, Post-Market-Überwachung, Qualitätskontrolle
F. Di Salvo, S. Doerrich, C. Ledig · MICCAI 2026
arxivcode
Federated data sharing: hospitals encode images with a foundation model, jointly train a differentially private generative model, and generate synthetic embeddings for downstream tasks
How can institutions pool data without sharing patient data?Wie lassen sich Daten bündeln, ohne Patientendaten zu teilen?

Privacy-preserving data sharing

Datenschutzwahrender Datenaustausch

Hospitals keep their images. Each site converts its data into compact embeddings with a foundation model, and all sites jointly train a small generative model with differential privacy. The shared model then produces synthetic training data for any downstream task. It outperforms classic federated learning, needs 5× fewer parameters than GAN-based alternatives, and generalises to new tasks.

Die Bilder bleiben in der Klinik. Jeder Standort wandelt seine Daten mit einem Foundation Model in kompakte Embeddings um, und alle trainieren gemeinsam ein kleines generatives Modell mit Differential Privacy. Dieses erzeugt synthetische Trainingsdaten für beliebige Folgeaufgaben, übertrifft klassisches Federated Learning und benötigt 5× weniger Parameter als GAN-basierte Ansätze.

Relevant for: multi-site studies, GDPR-compliant collaboration, data scarcityRelevant für: Multicenter-Studien, DSGVO-konforme Kooperationen, Datenknappheit
F. Di Salvo, H. H. M. Nguyen, C. Ledig · MICCAI 2025 · building on BMVC 2024
arxivcodeBMVC 2024
Domain shifts across hospitals (histopathology), fundus cameras (retina) and skin tones (dermatology)
Will the model still work at the next hospital?Funktioniert das Modell auch in der nächsten Klinik?

HypCBC: generalising across sites and devices

HypCBC: Generalisierung über Standorte und Geräte

Different scanners, protocols and patient populations make models fail outside the site they were trained on. HypCBC learns representations in hyperbolic space that capture the hierarchical structure of clinical data and stay consistent across domains. Validated on eleven datasets, it beats state-of-the-art methods by 2.1% AUC on average across hospitals, retinal cameras and skin tones.

Unterschiedliche Scanner, Protokolle und Patientengruppen lassen Modelle außerhalb ihres Trainingsstandorts scheitern. HypCBC lernt Repräsentationen im hyperbolischen Raum, die die hierarchische Struktur klinischer Daten abbilden und über Domänen hinweg konsistent bleiben. Auf elf Datensätzen validiert, übertrifft es den Stand der Technik im Mittel um 2,1 % AUC über Kliniken, Netzhautkameras und Hauttypen hinweg.

Relevant for: multi-site rollout, fairness across patient groups, regulatory evidenceRelevant für: Rollout an mehreren Standorten, Fairness über Patientengruppen, regulatorische Evidenz
F. Di Salvo, S. Doerrich, J. Alle, C. Ledig · TMLR 2026
openreviewarxivcode
Examples of wrong and ambiguous labels found by comparing each image with its most similar training images
What if many of my labels are wrong?Was, wenn viele Labels falsch sind?

WANN: robust learning from noisy labels

WANN: robustes Lernen mit fehlerhaften Labels

Real-world datasets contain an estimated 8–38% incorrect labels, and relabelling is expensive. WANN scores how reliable each label is using foundation-model embeddings and a weighted nearest-neighbour vote, without retraining a deep network. It handles heavy label noise and class imbalance, works with 10–100× smaller embeddings, and shows which training examples drove each decision.

Reale Datensätze enthalten schätzungsweise 8–38 % falsche Labels, und Nachannotation ist teuer. WANN bewertet die Verlässlichkeit jedes Labels mithilfe von Foundation-Model-Embeddings und einer gewichteten Nearest-Neighbour-Abstimmung, ohne ein tiefes Netz neu zu trainieren. Das Verfahren ist robust gegenüber starkem Label-Rauschen und Klassenungleichgewicht, arbeitet mit 10–100× kleineren Embeddings und zeigt, welche Trainingsbeispiele eine Entscheidung begründen.

Relevant for: annotation budgets, data quality audits, explainable decisionsRelevant für: Annotationsbudgets, Datenqualitäts-Audits, erklärbare Entscheidungen
F. Di Salvo, S. Doerrich, I. Rieger, C. Ledig · TMLR 2025
openreviewarxivcode
Handwritten German sample sentences from the HaLO dataset
Beyond healthcare · with STABILO International and the Schreibmotorik InstitutÜber die Medizin hinaus · mit STABILO International und dem Schreibmotorik Institut

HaLO: assessing handwriting legibility at human level

HaLO: Lesbarkeit von Handschrift auf menschlichem Niveau bewerten

Poor legibility can signal motor or developmental difficulties in children, but assessing it is subjective and time-consuming. Together with industry partners we built HaLO, 1,907 handwriting samples from 202 children with 19,070 pairwise expert judgments, and showed that a simple linear model on foundation-model embeddings ranks legibility as consistently as human raters (ROC AUC 0.92). Concept analyses reveal which visual properties, such as cursiveness and stroke thickness, drive the assessment.

Schlechte Lesbarkeit kann auf motorische oder entwicklungsbedingte Schwierigkeiten bei Kindern hinweisen, ihre Bewertung ist jedoch subjektiv und aufwendig. Gemeinsam mit Industriepartnern haben wir HaLO aufgebaut, 1.907 Handschriftproben von 202 Kindern mit 19.070 paarweisen Expertenurteilen, und gezeigt, dass ein einfaches lineares Modell auf Foundation-Model-Embeddings die Lesbarkeit so konsistent einstuft wie menschliche Bewerter (ROC AUC 0,92). Konzeptanalysen zeigen, welche visuellen Merkmale wie Schreibschrift oder Strichstärke die Bewertung bestimmen.

Relevant for: applying foundation models to new domains with little labelled data, industry R&D partnershipsRelevant für: Foundation Models in neuen Domänen mit wenig gelabelten Daten, F&E-Kooperationen mit der Industrie
M. Bauer, M. Lents, …, J. Barth, C. Ledig · Scientific Reports 2026
paperdatasetcode
Earlier highlightsFrühere Highlights
SRGAN: bicubic, SRResNet, SRGAN and original image at 4x upscaling

SRGAN: photo-realistic super-resolution

SRGAN: fotorealistische Super-Resolution

The first framework to infer photo-realistic natural images at 4× upscaling, using a perceptual loss of adversarial and content terms. Oral presentation at CVPR 2017 and one of the most-cited papers in the field.

Das erste Verfahren, das bei 4-facher Vergrößerung fotorealistische Bilder erzeugt, mit einer perzeptuellen Verlustfunktion aus Adversarial- und Content-Loss. Oral-Präsentation auf der CVPR 2017 und eine der meistzitierten Arbeiten des Feldes.

C. Ledig et al., CVPR 2017 (oral)
pdfbibtalk
Whole-brain MRI segmentation with MALP-EM in a patient with traumatic brain injury

MALP-EM: robust whole-brain segmentation

MALP-EM: robuste Ganzhirnsegmentierung

Multi-atlas label propagation with EM refinement that labels brain MRI into 138 regions, robust to pathology such as Alzheimer's disease and traumatic brain injury. Top-3 method at the MICCAI 2012 Grand Challenge; applied to 5,074 ADNI scans in an open dataset.

Multi-Atlas-Labelpropagation mit EM-Verfeinerung, die Hirn-MRT in 138 Regionen segmentiert, robust gegenüber Pathologien wie Alzheimer oder Schädel-Hirn-Trauma. Top-3-Methode der MICCAI 2012 Grand Challenge; angewendet auf 5.074 ADNI-Aufnahmen in einem offenen Datensatz.

C. Ledig et al., Medical Image Analysis 2015
doigithubADNI dataset
Open datasets & benchmarksOffene Datensätze & Benchmarks

HaLO

Handwriting legibility dataset: foundation-model embeddings and 19,070 pairwise legibility judgments for 1,907 samples (Scientific Reports 2026).

Datensatz zur Lesbarkeit von Handschrift: Foundation-Model-Embeddings und 19.070 paarweise Lesbarkeitsurteile zu 1.907 Proben (Scientific Reports 2026).

datasetcodepaper

MedMNIST+ benchmark

Standardised evaluation of CNNs, ViTs and foundation models across 12 medical datasets and four resolutions, with prototyping recommendations (Scientific Reports 2025).

Standardisierte Evaluation von CNNs, ViTs und Foundation Models über 12 medizinische Datensätze und vier Auflösungen, mit Empfehlungen fürs Prototyping (Scientific Reports 2025).

codepaper

MedMNIST-C

Robustness benchmark and open-source library that simulates realistic, modality-specific image corruptions across 12 datasets, also usable as targeted data augmentation.

Robustheits-Benchmark und Open-Source-Bibliothek, die realistische, modalitätsspezifische Bildstörungen über 12 Datensätze simuliert, auch als gezielte Datenaugmentation nutzbar.

codepaper

MALPEM-ADNI

Segmentations of 138 brain regions, masks and features for 5,074 ADNI MR images.

Segmentierungen von 138 Hirnregionen, Masken und Merkmale für 5.074 ADNI-MRT-Aufnahmen.

datasetpaper
CodeCode

MaRS

Label-free, post-hoc out-of-distribution detection on frozen foundation-model features (MICCAI 2026).

Label-freie, nachgelagerte Out-of-Distribution-Erkennung auf eingefrorenen Foundation-Model-Features (MICCAI 2026).

github

Layer selection for zero-shot OOD

Choosing the right vision-language-model layer for zero-shot out-of-distribution detection via multi-resolution entropy (UNSURE 2026).

Auswahl der passenden Schicht eines Vision-Language-Modells für Zero-Shot-OOD-Erkennung über Multi-Resolution-Entropie (UNSURE 2026).

project

Colorist

Training-free, interpretable colour-matching augmentation for domain generalisation, up to +13% balanced accuracy over no augmentation (DEMI 2026).

Trainingsfreie, interpretierbare Farbangleichung als Datenaugmentation für Domänengeneralisierung, bis zu +13 % Balanced Accuracy gegenüber keiner Augmentation (DEMI 2026).

github

TRUE-Colon

Benchmarking protocol for real-time polyp detection on full-length colonoscopy procedures, not just curated clips (2026).

Benchmark-Protokoll für Echtzeit-Polypendetektion auf vollständigen Koloskopien statt nur kuratierten Clips (2026).

github

MoPET

One foundation model, many tasks: a sparse mixture of parameter-efficient experts for unified medical image classification (EMA 2026).

Ein Foundation Model für viele Aufgaben: sparse Mixture parametereffizienter Experten für einheitliche medizinische Bildklassifikation (EMA 2026).

github

HypCBC

Hyperbolic representation learning for domain generalisation in medical imaging (TMLR 2026).

Hyperbolisches Repräsentationslernen für Domänengeneralisierung in der medizinischen Bildgebung (TMLR 2026).

github

Stylizing ViT

Anatomy-preserving style transfer for data and test-time augmentation in histopathology and dermatology (ISBI 2026).

Anatomieerhaltender Style Transfer für Daten- und Test-Time-Augmentation in Histopathologie und Dermatologie (ISBI 2026).

github

WANN

Weighted adaptive nearest neighbours for learning with noisy labels (TMLR 2025).

Gewichtete adaptive Nearest Neighbours für das Lernen mit verrauschten Labels (TMLR 2025).

github

Federated DP-CVAE

Federated, differentially private data sharing via generative models on embeddings (MICCAI 2025, BMVC 2024).

Föderierter, differentiell privater Datenaustausch über generative Modelle auf Embeddings (MICCAI 2025, BMVC 2024).

githubCVAE anonymisation

Generative ViTs for histopathology

Self-supervised vision transformers that synthesise new image variations for domain generalisation (MICCAI 2024).

Selbstüberwachte Vision Transformer, die neue Bildvarianten für Domänengeneralisierung erzeugen (MICCAI 2024).

github

kNN + foundation models

Adaptable, privacy-aware classification: training data can be added or removed without retraining (ISBI 2024).

Anpassbare, datenschutzfreundliche Klassifikation: Trainingsdaten lassen sich ohne Neutraining hinzufügen oder entfernen (ISBI 2024).

github

MALPEM

Whole-brain segmentation of T1-weighted MRI with an automatic PDF report (Medical Image Analysis 2015).

Ganzhirnsegmentierung von T1-gewichteten MRT-Aufnahmen mit automatischem PDF-Report (Medical Image Analysis 2015).

githubreadme
Talks & KeynotesVorträge & Keynotes

Speaking to clinicians, industry and the publicFür Ärzteschaft, Industrie und Öffentlichkeit

25+ talks since 2022, from scientific keynotes to medical associations, companies, ministries and civic audiences. Talks are available in German and English.25+ Vorträge seit 2022, von wissenschaftlichen Keynotes über Ärzteverbände, Unternehmen und Ministerien bis zu öffentlichen Veranstaltungen. Vorträge halte ich auf Deutsch und Englisch.

PublicationsPublikationen

Papers, patents & book chaptersArtikel, Patente & Buchkapitel

A selection of 100+ entries. The full and most current list is on Eine Auswahl von 100+ Einträgen. Die vollständige, aktuelle Liste finden Sie auf Google Scholar.

ContactKontakt

Let's talk about your project.Sprechen wir über Ihr Vorhaben.

For consulting, speaking requests and collaborations, email is the best way to reach me. Please include a few lines on context and timeline.Für Beratung, Vortragsanfragen und Kooperationen erreichen Sie mich am besten per E-Mail. Ein paar Zeilen zu Hintergrund und Zeitrahmen helfen mir weiter.

contact [at] christianledig.com Write emailE-Mail schreiben
Google Scholarpublications & citationsPublikationen & Zitationen LinkedInprofessional profileBerufsprofil Wikipediaarticle (German)Artikel GitHubledigchr xAILab BambergUniversity of BambergUniversität Bamberg