Data Efficient Deep Learning Models for Biomedical Image Segmentation
- Promovendus/a
- Benčević, Marin
- Faculteit
- Faculteit Ingenieurswetenschappen en Architectuur
- Vakgroep
- Vakgroep Telecommunicatie en Informatieverwerking
- Gezamenlijk doctoraat
- Josip Juraj Strossmayer University of Osijek, Kroatië
- Curriculum
- Master Engineer of Computer Science, Josip Juraj Strossmayer University of Osijek, Kroatië, 2020
- Academische graad
- Doctor in de ingenieurswetenschappen: computerwetenschappen
- Taal proefschrift
- Engels
- Vertaling titel
- Data-efficiënte deeplearning-modellen voor biomedische beeldsegmentatie
- Promotor(en)
- prof. Aleksandra Pizurica, vakgroep Telecommunicatie en Informatieverwerking - dr. ir. Danilo Babin, vakgroep Telecommunicatie en Informatieverwerking - prof. Irena Galić (Josip Juraj Strossmayer University of Osijek, Kroatië)
- Examencommissie
- voorzitter prof. Krešimir Nenadić (Josip Juraj Strossmayer University of Osijek, Kroatië) - covoorzitter prof. Patrick De Baets (decaan UGent-FEA) - prof. Jan Aelterman (UGent vakgroep Telecommunicatie en Informatieverwerking) - dr. ir. Danilo Babin (UGent vakgroep Telecommunicatie en Informatieverwerking) - prof. Ivica Botički (University of Zagreb, Kroatië) - prof. Irena Galić (Josip Juraj Strossmayer University of Osijek, Kroatië) - dr. Srdan Lazendic (UGent vakgroep Elektronica en Informatiesystemen) - prof. Hrvoje Leventić (Josip Juraj Strossmayer University of Osijek, Kroatië) - prof. Peter Peer (University of Ljubljana, Slovenië) - prof. Aleksandra Pizurica (UGent vakgroep Telecommunicatie en Informatieverwerking)
Korte beschrijving
Medische beeldsegmentatie is van cruciaal belang voor verschillende toepassingen in de gezondheidszorg, zoals chirurgische planning en ziektediagnose. Dit proces maakt doorgaans gebruik van neurale netwerken om onderscheid te maken tussen b.v. gezonde en kankercellen in medische beelden afkomstig van CT- en MRI-scans. Het creëren van deze netwerken is echter uitdagend vanwege de moeilijkheden bij het verzamelen van grote, geannoteerde datasets. Deze uitdagingen vloeien voort uit de hoge kosten, het invasieve karakter en de hindernissen op regelgevingsgebied met betrekking tot medische beeldvorming. Om dit aan te pakken introduceert het onderzoek in dit proefschrift nieuwe methoden waarmee neurale netwerken segmentatie effectief kunnen uitvoeren, zelfs met beperkte data. Door het beeld vóór segmentatie op een bepaalde manier te vereenvoudigen, maken deze methoden het gebruik van kleinere neurale netwerken en dus kleinere datasets voor segmentatie mogelijk. De aanpak omvat in eerste instantie het identificeren van het interessegebied in een beeld met één neuraal netwerk en vervolgens het uitvoeren van fijnere segmentatie met een ander netwerk dat werkt op een getransformeerde, vereenvoudigde versie van het beeld. Deze techniek verbetert niet alleen de efficiëntie van het segmentatieproces, maar handhaaft of verbetert ook de nauwkeurigheid van verschillende medische beeldvormingstoepassingen.
Praktisch
- Datum
- Dinsdag 2 juli 2024, 11:00
- Locatie
- lokaal T1-33, UniOs, Faculty of Electrical Engineering, Computer Science and Information, gebouw Trpimirova, eerste verdieping, Kneza Trpimira 2B, 31000 Osijek, Kroatië
- Livestream
- Volg online
Meer info
- Contact
- doctoraat.ea@UGent.be