Fokuser på maskinlæringsmodeller innen medisinsk bildebehandling

Dette webinaret består av tre presentasjoner:

• AI autokonturering av organer i prekliniske strålingsstudier for kreft

Det vil bli gitt en oversikt over rollen til kunstig intelligens (AI) i automatisk avgrensning (konturering) av organer i prekliniske kreftforskningsmodeller. Det skal vises hvordan AI kan øke effektiviteten i preklinisk forskning.

Høyttaler: Frank Verhaegen er leder for stråleterapifysikkforskning ved Maastro Clinic, og også professor ved University of Maastricht, begge lokalisert i Nederland. Han er også medgründer av selskapet SmART Scientific Solutions BV, som utvikler forskningsprogramvare for preklinisk kreftforskning. Hans interesser er stråleterapifysikk, bildediagnostikk, preklinisk forskning og Monte Carlo-simuleringer.

• Dyplæring av prostatasegmentering i tredimensjonal ultralyd

Denne presentasjonen vil utforske utviklingen og valideringen av en generaliserbar dyplæringsbasert automatisk prostatasegmenteringsalgoritme for tredimensjonale ultralydbilder. Praktiske vurderinger for implementering av dyplæringssegmenteringsverktøy vil bli utforsket, inkludert effekten av datasettstørrelse, bildekvalitet og bildetype på segmenteringsytelse.

Høyttaler: Nathan Orlando er en femteårs PhD-kandidat ved Institutt for medisinsk biofysikk ved Western University og Robarts Research Institute i London, Ontario, Canada, under veiledning av Dr Aaron Fenster og Dr Douglas Hoover. Forskningen hans har fokusert på å forbedre ultralydveiledet prostata brakyterapi gjennom både programvare- og maskinvarebaserte løsninger. Før han begynte ved Western University, fullførte Nathan en BSc (Hons) i fysikk ved University of Alberta i Edmonton, Alberta, Canada.

• Prospektivt validert dyplæringsmodell for segmentering av svelge- og tyggestrukturer i CT

I denne presentasjonen presenterer vi en dyp læringsbasert metode for automatisk å avgrense svelge- og tyggestrukturene i CT. Potensialet for bruk i planlegging av strålebehandling for å forbedre effektiviteten er demonstrert gjennom prospektiv validering.

Høyttaler: Aditi Iyer, er en senior vitenskapelig applikasjonsutvikler ved Institutt for medisinsk fysikk ved Memorial Sloan Kettering Cancer Center, hvor hun har fungert som en sentral bidragsyter til programvaren Computational Environment for Radiological Research (CERR) med åpen kildekode i seks år. Hennes forskningsinteresser inkluderer bruk av maskinlæring og radiomik for bildeanalyse og prediktiv modellering. Før hun begynte i MSKCC, mottok hun sin mastergrad fra Purdue University, Indiana, hvor hun jobbet med estimering av flerfagskart for funksjonelle tilkoblinger fra fMRI-data.

Høyttalers forhold til IOP Publishing

De er aksepterte forfattere av fokussamlingen.

Webinar stoler
Georgios Papanastasiou og Guang Yang,guest redaktører av felles Fysikk i medisin og biologi og Maskinlæring: Vitenskap og teknologi fokus problem, Fokus på maskinlæringsmodeller i medisinsk bildebehandling.

Innlegget Fokuser på maskinlæringsmodeller innen medisinsk bildebehandling dukket først på Fysikkens verden.

• Myntsmart. Europas beste Bitcoin og Crypto Exchange.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. FRI TILGANG.
• CryptoHawk. Altcoin Radar. Gratis prøveperiode.
• Kilde: https://physicsworld.com/a/focus-on-machine-learning-models-in-medical-imaging/