Focus op modellen voor machine learning in medische beeldvorming

Dit webinar bestaat uit drie presentaties:

• AI autocontouring van organen in preklinische stralingsstudies voor kanker

Er zal een overzicht worden gegeven van de rol van kunstmatige intelligentie (AI) bij het automatisch afbakenen (contouren) van organen in preklinische kankeronderzoeksmodellen. In preklinisch onderzoek wordt getoond hoe AI de efficiëntie kan verhogen.

Speaker: Frank Verhaegen is hoofd natuurkundig onderzoek radiotherapie bij Maastro Clinic en tevens hoogleraar aan de Universiteit van Maastricht, beide in Nederland. Hij is ook medeoprichter van het bedrijf SmART Scientific Solutions BV, dat onderzoekssoftware ontwikkelt voor preklinisch kankeronderzoek. Zijn interesses zijn radiotherapiefysica, beeldvorming, preklinisch onderzoek en Monte Carlo-simulaties.

• Deep learning prostaatsegmentatie in driedimensionale echografie

Deze presentatie onderzoekt de ontwikkeling en validatie van een generaliseerbaar, op diep leren gebaseerd automatisch prostaatsegmentatie-algoritme voor driedimensionale ultrasone beelden. Praktische overwegingen voor het implementeren van deep-learning segmentatietools zullen worden onderzocht, waaronder het effect van datasetgrootte, beeldkwaliteit en beeldtype op segmentatieprestaties.

Speaker: Nathan Orlando is een vijfdejaars promovendus bij de afdeling Medische Biofysica van de Western University en het Robarts Research Institute in London, Ontario, Canada, onder supervisie van dr. Aaron Fenster en dr. Douglas Hoover. Zijn onderzoek was gericht op het verbeteren van echogeleide prostaatbrachytherapie door middel van zowel software- als hardwaregebaseerde oplossingen. Voordat Nathan aan de Western University begon, voltooide Nathan een BSc (Hons) in natuurkunde aan de University of Alberta in Edmonton, Alberta, Canada.

• Prospectief gevalideerd deep learning-model voor het segmenteren van slik- en kauwstructuren in CT

In deze presentatie presenteren we een op deep learning gebaseerde methode om automatisch de slik- en kauwstructuren in CT af te bakenen. Het potentieel ervan voor gebruik bij de planning van radiotherapiebehandelingen om de efficiëntie te verbeteren, wordt aangetoond door middel van prospectieve validatie.

Speaker: Aditi Iyer, is een senior ontwikkelaar van wetenschappelijke toepassingen bij de afdeling Medische Fysica van het Memorial Sloan Kettering Cancer Center, waar ze zes jaar lang een belangrijke bijdrage heeft geleverd aan de open-source Computational Environment for Radiological Research (CERR)-software. Haar onderzoeksinteresses omvatten de toepassing van machine learning en radiomics voor beeldanalyse en voorspellende modellering. Voordat ze bij MSKCC kwam, behaalde ze haar masterdiploma aan de Purdue University, Indiana, waar ze werkte aan de schatting van functionele connectiviteitskaarten met meerdere onderwerpen op basis van fMRI-gegevens.

Sprekersrelatie met IOP Publishing

Zij zijn geaccepteerde auteurs van de focuscollectie.

Webinar stoelen
Georgios Papanastasiou en Guang Yanggbeste redacteuren van de joint Physics in Medicine & Biology en Machine learning: wetenschap en technologie focus probleem, Focus op machinale leermodellen in medische beeldvorming.

De post Focus op modellen voor machine learning in medische beeldvorming verscheen eerst op Natuurkunde wereld.

• Coinsmart. Europa's beste Bitcoin- en crypto-uitwisseling.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. GRATIS TOEGANG.
• CryptoHawk. Altcoin-radar. Gratis proefversie.
• Bron: https://physicsworld.com/a/focus-on-machine-learning-models-in-medical-imaging/