Fokus auf Machine-Learning-Modelle in der medizinischen Bildgebung

Dieses Webinar besteht aus drei Präsentationen:

• KI-Autokonturierung von Organen in präklinischen Bestrahlungsstudien bei Krebs

Es wird ein Überblick über die Rolle der künstlichen Intelligenz (KI) bei der automatischen Abgrenzung (Konturierung) von Organen in präklinischen Krebsforschungsmodellen gegeben. Es wird gezeigt, wie KI die Effizienz in der präklinischen Forschung steigern kann.

Lautsprecher: Frank Verhaegen ist Leiter der Strahlentherapie-Physikforschung an der Maastro Clinic und Professor an der Universität Maastricht, beide in den Niederlanden. Er ist außerdem Mitbegründer der Firma SmART Scientific Solutions BV, die Forschungssoftware für die präklinische Krebsforschung entwickelt. Seine Interessen sind Strahlentherapiephysik, Bildgebung, präklinische Forschung und Monte-Carlo-Simulationen.

• Deep-Learning-Prostatasegmentierung im dreidimensionalen Ultraschall

In dieser Präsentation wird die Entwicklung und Validierung eines verallgemeinerbaren Deep-Learning-basierten automatischen Prostatasegmentierungsalgorithmus für dreidimensionale Ultraschallbilder untersucht. Praktische Überlegungen zur Implementierung von Deep-Learning-Segmentierungstools werden untersucht, einschließlich der Auswirkungen von Datensatzgröße, Bildqualität und Bildtyp auf die Segmentierungsleistung.

Lautsprecher: Nathan Orlando ist Doktorandin im fünften Jahr am Department of Medical Biophysics der Western University und des Robarts Research Institute in London, Ontario, Kanada, betreut von Dr. Aaron Fenster und Dr. Douglas Hoover. Seine Forschung konzentrierte sich auf die Verbesserung der ultraschallgeführten Prostata-Brachytherapie durch software- und hardwarebasierte Lösungen. Bevor er an der Western University anfing, absolvierte Nathan einen BSc (Hons) in Physik an der University of Alberta in Edmonton, Alberta, Kanada.

• Prospektiv validiertes Deep-Learning-Modell zur Segmentierung von Schluck- und Kaustrukturen im CT

In dieser Präsentation stellen wir eine auf Deep Learning basierende Methode zur automatischen Darstellung der Schluck- und Kaustrukturen in der CT vor. Sein Potenzial für den Einsatz in der Strahlentherapie-Behandlungsplanung zur Verbesserung der Effizienz wird durch prospektive Validierung demonstriert.

Lautsprecher: Aditi Iyer, ist leitende wissenschaftliche Anwendungsentwicklerin in der Abteilung für Medizinische Physik am Memorial Sloan Kettering Cancer Center, wo sie sechs Jahre lang maßgeblich zur Open-Source-Software Computational Environment for Radiological Research (CERR) beigetragen hat. Ihre Forschungsinteressen umfassen die Anwendung von maschinellem Lernen und Radiomics für Bildanalyse und prädiktive Modellierung. Bevor sie zu MSKCC kam, erhielt sie ihren Master-Abschluss von der Purdue University, Indiana, wo sie an der Schätzung von Multi-Subjekt-Karten der funktionellen Konnektivität aus fMRI-Daten arbeitete.

Sprecherbeziehung mit IOP Publishing

Sie sind anerkannte Autoren der Schwerpunktsammlung.

Webinar-Stühle
Georgios Papanastasiou und Guang Yang, GGastredakteure des Joint Physik in Medizin & Biologie machen Maschinelles Lernen: Wissenschaft und Technologie Fokusproblem, Fokus auf Machine-Learning-Modelle in der medizinischen Bildgebung.

Die Post Fokus auf Machine-Learning-Modelle in der medizinischen Bildgebung erschien zuerst auf Physik-Welt.

• Coinsmart. Europas beste Bitcoin- und Krypto-Börse.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. DEN FREIEN ZUGANG.
• CryptoHawk. Altcoin-Radar. Kostenlose Testphase.
• Quelle: https://physicsworld.com/a/focus-on-machine-learning-models-in-medical-imaging/