Enhancing Medical Imaging with Self-Supervised Learning in Data-Scarce Environments

Výzva	Štipendiá pre excelentných výskumníkov a výskumníčky R2-R4
Hlavný riešiteľ	Matej Gazda
Prijímateľ	Technická univerzita v Košiciach
Celkový rozpočet	148 306,80 €
Príspevok poskytovateľa	148 306,80 €
Zdroj financovania	Plán obnovy a odolnosti
Začiatok realizácie	október 2024
Koniec realizácie	august 2026
Kategória výskumníka	R2
Vedná oblasť	Fyzikálne, technické vedy a matematika

Anotácia

Moderné medicínske prostredie rýchlo napreduje, poháňa ho exponenciálny rast metodológií založených na dátach. Navrhovaný projekt má za cieľ preklenúť priepasť medzi technológiou a zdravotnou starostlivosťou využitím strojového učenia s vlastným dohľadom na rekonštrukciu 3D lekárskych obrazov so špeciálnym zameraním na sledovanie pohybov pečene. Využívajúc význam ľudských biologických cyklov, najmä srdcových a respiračných pohybov, sa domnievame, že tieto rytmy môžu slúžiť ako základ na vytváranie pseudoznačiek pre na mieru navrhnuté neurónové architektúry v lekárskom zobrazovaní. Náš výskumný prístup je spojením kvalitatívnych a kvantitatívnych prístupov, ktoré zabezpečujú bohatú a komplexnú analýzu údajov na overenie našich výpočtových modelov. Jadrom našej stratégie je použitie inovatívnych nástrojov, ako je Empirical Mode Decomposition, na extrakciu vzorov súvisiacich s pohybom, zdôrazňujúc naše smerovanie k zvýšenej presnosti. Najprv sa zameriame na metódu s vlastným dohľadom, pričom zmeriame jej relatívnu účinnosť v porovnaní s inými technikami. Vychádzajúc z tohto základu, nasledujúce fázy zahŕňajú vytvorenie 2D-3D metódy rekonštrukcie pre videosekvencie s konečným cieľom predpovedať pohyb orgánov v 2D aj 3D, čo je kritický aspekt pre optimalizáciu výsledkov rádioterapie. Tento projekt sa snaží nielen pokročiť v oblasti lekárskeho zobrazovania, ale aj vybaviť lekárov nástrojmi, ktoré majú potenciál spôsobiť revolúciu v diagnostických a liečebných modalitách a zlepšiť starostlivosť o pacienta a výsledky.