Sleiman Sharara

Forschungsassistent

M.Sc., Doktorand

Anschrift:An der Weberei 5, 96047 Bamberg
Raum: WE5/04.093

E-mail: sleiman.sharara(at)uni-bamberg.de

Sprechstunde: nach Absprache per Email möglich.

Biografie:

Sleiman Sharara ist seit 2026 Doktorand am Lehrstuhl für Erklärbares Maschinelles Lernen der Otto-Friedrich-Universität Bamberg und promoviert im Rahmen einer Industriepromotion in Kooperation mit Siemens Healthineers in Forchheim. Er absolvierte den Master Medizintechnik an der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) in der Studienrichtung Medizinische Bild- und Datenverarbeitung. Zuvor schloss er einen Bachelor in Biomedizintechnik ab.

In seiner Forschung beschäftigt er sich mit generativer KI für synthetische Daten in bildgestützten minimalinvasiven Eingriffen. Dabei simuliert und generiert er realistische interventionelle Röntgenbilder einschließlich der eingesetzten Instrumente und evaluiert die synthetischen Daten anhand nachgelagerter Deep-Learning-Aufgaben. Darüber hinaus interessiert er sich für erklärbare KI, medizinische Bildanalyse und Computer Vision.

Vor seiner Promotion war Sleiman als Werkstudent bei Siemens Healthineers tätig und arbeitete dort an der Segmentierung und Detektion von Instrumenten für die mechanische Thrombektomie in der interventionellen Röntgenbildgebung. Er entwickelte Strategien zur Vorverarbeitung und Datenaugmentierung und baute Trainings- und Evaluationspipelines auf. Darauf aufbauend verfasste er ebenfalls dort seine Masterarbeit „Sequence-Based Deep Learning for Endovascular Device Segmentation in Interventional X-ray Imaging“ und untersuchte darin, wie zeitliche Informationen die Segmentierung über einzelbildbasierte Ansätze hinaus verbessern können.

Während des Studiums arbeitete er außerdem als wissenschaftliche Hilfskraft am Lehrstuhl für Technische Mechanik (LTM) der FAU, wo er Convolutional Neural Networks für Anwendungen im Maschinenbau implementierte und optimierte. Zudem bearbeitete er am Pattern Recognition Lab das Projekt „Deep Learning-Based Classification of Skin Diseases: A Comparative Analysis of CNN and Transformer Architectures“, in dem er Melanome, Nävi und benigne Keratosen klassifizierte. Am Machine Learning and Data Analytics Lab folgte das Projekt „Efficient Multi-Task Learning for Multi-Tissue Wound Segmentation with Attention-Enhanced U-Net“, in dem er verschiedene Wundgewebetypen gemeinsam segmentierte.

Außerhalb seines akademischen Lebens geht Sleiman gern laufen und wandern und macht Krafttraining.