Skoncentruj się na modelach uczenia maszynowego w obrazowaniu medycznym

To webinarium składa się z trzech prezentacji:

• Autokonturowanie narządów przez sztuczną inteligencję w przedklinicznych badaniach radiologicznych na raka

Przedstawiony zostanie przegląd roli sztucznej inteligencji (AI) w automatycznym wyznaczaniu (konturowaniu) narządów w przedklinicznych modelach badań nad rakiem. Pokazane zostanie, w jaki sposób sztuczna inteligencja może zwiększyć efektywność badań przedklinicznych.

Głośnik: Franka Verhaegena jest kierownikiem badań fizyki radioterapii w Maastro Clinic, a także profesorem na Uniwersytecie w Maastricht, oba zlokalizowane w Holandii. Jest także współzałożycielem firmy SmART Scientific Solutions BV, która rozwija oprogramowanie badawcze do przedklinicznych badań nad rakiem. Jego zainteresowania to fizyka radioterapii, obrazowanie, badania przedkliniczne i symulacje Monte Carlo.

• Głębokie uczenie się segmentacji prostaty w trójwymiarowym USG

Niniejsza prezentacja ma na celu zbadanie rozwoju i walidacji uogólniającego algorytmu automatycznej segmentacji gruczołu krokowego opartego na głębokim uczeniu dla trójwymiarowych obrazów ultrasonograficznych. Zostaną zbadane praktyczne rozważania dotyczące wdrażania narzędzi do segmentacji uczenia głębokiego, w tym wpływ rozmiaru zestawu danych, jakości obrazu i typu obrazu na wydajność segmentacji.

Głośnik: Nathana Orlando jest doktorantem piątego roku w Zakładzie Biofizyki Medycznej Western University oraz Robarts Research Institute w Londynie, Ontario w Kanadzie, pod kierunkiem dr Aarona Fenstera i dr Douglasa Hoovera. Jego badania koncentrowały się na doskonaleniu brachyterapii prostaty pod kontrolą USG, zarówno poprzez rozwiązania programowe, jak i sprzętowe. Przed rozpoczęciem studiów na Western University Nathan uzyskał tytuł licencjata (z wyróżnieniem) z fizyki na Uniwersytecie Alberta w Edmonton, Alberta, Kanada.

• Prospektywnie walidowany model głębokiego uczenia się do segmentacji struktur połykania i żucia w CT

W tej prezentacji przedstawiamy metodę opartą na głębokim uczeniu się, która automatycznie określa struktury połykania i żucia w tomografii komputerowej. Jego potencjał do wykorzystania w planowaniu leczenia radioterapią w celu poprawy skuteczności wykazano w prospektywnej walidacji.

Głośnik: Aditi Iyer, jest starszym programistą aplikacji naukowych na Wydziale Fizyki Medycznej w Memorial Sloan Kettering Cancer Center, gdzie przez sześć lat była głównym współtwórcą oprogramowania Open Source Computational Environment for Radiological Research (CERR). Jej zainteresowania badawcze obejmują zastosowanie uczenia maszynowego i radiomiki do analizy obrazu i modelowania predykcyjnego. Przed dołączeniem do MSKCC uzyskała tytuł magistra na Uniwersytecie Purdue w stanie Indiana, gdzie pracowała nad szacowaniem wieloobiektowych map połączeń funkcjonalnych na podstawie danych fMRI.

Relacja prelegentów z IOP Publishing

Są uznanymi autorami kolekcji focusowej.

Krzesła webinarowe
Georgios Papanastasiou i Guang Yang, guest redaktorzy wspólnego Fizyka w medycynie i biologii i Uczenie maszynowe: nauka i technologia kwestia ostrości, Skoncentruj się na modelach uczenia maszynowego w obrazowaniu medycznym.

Post Skoncentruj się na modelach uczenia maszynowego w obrazowaniu medycznym pojawiła się najpierw na Świat Fizyki.

• Coinsmart. Najlepsza w Europie giełda bitcoinów i kryptowalut.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. DARMOWY DOSTĘP.
• CryptoJastrząb. Radar Altcoin. Bezpłatna wersja próbna.
• Źródło: https://physicsworld.com/a/focus-on-machine-learning-models-in-medical-imaging/