Machine Learning methode om de efficiëntie van segmentatiecorrectie bij de planning van transkatheter hartinterventie te vergroten

De laatste tijd hebben deep learning-gebaseerde automatische medische beeldsegmentatiemodellen de klassieke algoritmen verbeterd met state-of-the-art prestaties. Hoewel deze algoritmen de menselijke prestaties kunnen evenaren op beelden van goede kwaliteit, zijn ze toch vatbaar voor fouten wanneer de beeldkwaliteit niet ideaal is. In beelden met een laag contrast, anatomische afwijkingen of een nieuw scanprotocol, bevat de output van deze modellen verkeerd gesegmenteerde regio's die extra manuele correcties vereisen. Dit project heeft als doel de tijdrovende handmatige correcties in dergelijke scenario's te verminderen door deep learning-gebaseerde interactieve beeldsegmentatiemethoden te onderzoeken door het creëren van proof-of-concept gebruikersbegeleidingstools die helpen zoeken naar verkeerd gesegmenteerde regio's, en het introduceren van online learning om gebruik te maken van post-training gebruiksgegevens om de prestaties van het model verder te verbeteren.