< Terug naar vorige pagina
Project
Leren van anatomische bewuste representaties: Toepassing op segmentatie van bot metastase op whole-body MRI (FWOSB141)
Bewnvloed door de snel groeiende beschikbaarheid van data en
hardwareverbeteringen, is medische beeldvorming een actief
onderzoeksgebied. Hardwareverbeteringen leiden tot hogere
resoluties, grotere beelden, kortere acquisitietijden en een migratie
van 2D- naar 3D-beeldvorming. In de praktijk wordt het voor
radiologen een steeds grotere uitdaging om de medische
beeldgegevens te analyseren. In het bijzonder is het beoordelen van
botmetastasen moeilijk omdat het zich vaak manifesteert in vele
kleine, onregelmatige tumors die over het hele skelet verspreid zijn.
Dit maakt de handmatige beoordeling arbeidsintensief en
foutgevoelig. Segmentatie-algoritmen die gebruik maken van deep
learning hebben het potentieel om automatisch kwantitatieve,
prognostische kenmerken uit de beelden te halen. Recent is
gebleken dat vision transformers (VIT) uitstekend presteren voor
computer vision tasks zoals segmentatie. VIT’s voor segmentatie,
zoals het UNeTR, worden vaak getraind op patches omwille van
computationele efficisntie. Dit gaat ten koste van contextinformatie
die gebruikt kan worden bij het segmenteren van een patch. Tijdens
dit doctoraat zal ik een nieuwe methode ontwikkelen die UNeTR
anatomisch kan pre-trainen en zo een relevante representatie leert
voor verschillende patches in het lichaam. De methode focust op de
ontwikkeling van nieuwe contrastive losses die anatomische
informatie bevatten
hardwareverbeteringen, is medische beeldvorming een actief
onderzoeksgebied. Hardwareverbeteringen leiden tot hogere
resoluties, grotere beelden, kortere acquisitietijden en een migratie
van 2D- naar 3D-beeldvorming. In de praktijk wordt het voor
radiologen een steeds grotere uitdaging om de medische
beeldgegevens te analyseren. In het bijzonder is het beoordelen van
botmetastasen moeilijk omdat het zich vaak manifesteert in vele
kleine, onregelmatige tumors die over het hele skelet verspreid zijn.
Dit maakt de handmatige beoordeling arbeidsintensief en
foutgevoelig. Segmentatie-algoritmen die gebruik maken van deep
learning hebben het potentieel om automatisch kwantitatieve,
prognostische kenmerken uit de beelden te halen. Recent is
gebleken dat vision transformers (VIT) uitstekend presteren voor
computer vision tasks zoals segmentatie. VIT’s voor segmentatie,
zoals het UNeTR, worden vaak getraind op patches omwille van
computationele efficisntie. Dit gaat ten koste van contextinformatie
die gebruikt kan worden bij het segmenteren van een patch. Tijdens
dit doctoraat zal ik een nieuwe methode ontwikkelen die UNeTR
anatomisch kan pre-trainen en zo een relevante representatie leert
voor verschillende patches in het lichaam. De methode focust op de
ontwikkeling van nieuwe contrastive losses die anatomische
informatie bevatten
Datum:1 nov 2022 → Heden
Trefwoorden:Vertegenwoordiging leren, Medische beeldsegmentatie, Gemetastaseerde botziekte
Disciplines:Datavisualisatie en beeldvorming, Andere computer ingenieurswetenschappen, informatietechnologie en mathematische ingenieurswetenschappen niet elders geclassificeerd, Biomedische signaalverwerking, Biomedische beeldverwerking, Diagnostische radiologie