Concentrați-vă pe modelele de învățare automată în imagistica medicală

Acest webinar este alcătuit din trei prezentări:

• Autoconturarea AI a organelor în studiile preclinice de radiații pentru cancer

Se va oferi o privire de ansamblu asupra rolului inteligenței artificiale (AI) în delimitarea automată (conturarea) organelor în modelele de cercetare preclinice a cancerului. Se va arăta cum AI poate crește eficiența cercetării preclinice.

Vorbitor: Frank Verhaegen este șef de cercetare în fizică în radioterapie la Clinica Maastro și, de asemenea, profesor la Universitatea din Maastricht, ambele situate în Țările de Jos. El este, de asemenea, un co-fondator al companiei SmART Scientific Solutions BV, care dezvoltă software de cercetare pentru cercetarea preclinică a cancerului. Interesele sale sunt fizica radioterapiei, imagistica, cercetarea preclinica si simulările Monte Carlo.

• Deep learning segmentarea prostatei în ecografie tridimensională

Această prezentare va explora dezvoltarea și validarea unui algoritm de segmentare automată a prostatei, bazat pe învățarea profundă, generalizabil, pentru imagini ecografice tridimensionale. Vor fi explorate considerații practice pentru implementarea instrumentelor de segmentare de învățare profundă, inclusiv efectul dimensiunii setului de date, al calității imaginii și al tipului de imagine asupra performanței de segmentare.

Vorbitor: Nathan Orlando este un doctorand în anul cinci la Departamentul de Biofizică Medicală de la Universitatea Western și Institutul de Cercetare Robarts din Londra, Ontario, Canada, sub supravegherea Dr. Aaron Fenster și Dr. Douglas Hoover. Cercetările sale s-au concentrat pe îmbunătățirea brahiterapiei prostatei ghidată cu ultrasunete, atât prin soluții bazate pe software, cât și pe hardware. Înainte de a începe la Universitatea Western, Nathan a absolvit o licență (Hons) în fizică la Universitatea Alberta din Edmonton, Alberta, Canada.

• Model de învățare profundă validat prospectiv pentru segmentarea structurilor de deglutiție și mestecat în CT

În această prezentare, prezentăm o metodă bazată pe învățarea profundă pentru a delimita automat structurile de înghițire și de mestecat în CT. Potențialul său de utilizare în planificarea tratamentului cu radioterapie pentru a îmbunătăți eficiența este demonstrat prin validare prospectivă.

Vorbitor: Aditi Iyer, este un dezvoltator senior de aplicații științifice în Departamentul de Fizică Medicală de la Memorial Sloan Kettering Cancer Center, unde a contribuit cheie la software-ul open-source Computational Environment for Radiological Research (CERR) timp de șase ani. Interesele ei de cercetare includ aplicarea învățării automate și a radiomicei pentru analiza imaginilor și modelarea predictivă. Înainte de a se alătura MSKCC, ea a primit diploma de master de la Purdue University, Indiana, unde a lucrat la estimarea hărților funcționale de conectivitate multi-subiecte din datele fMRI.

Relația vorbitorilor cu IOP Publishing

Sunt autori acceptați ai colecției focus.

Scaune pentru webinar
Georgios Papanastasiou și Guang Yang, gultimii editori ai comunei Fizica în medicină și biologie și Învățare automată: știință și tehnologie problema de focalizare, Concentrați-vă pe modelele de învățare automată în imagistica medicală.

Mesaj Concentrați-vă pe modelele de învățare automată în imagistica medicală a apărut în primul rând pe Lumea fizicii.

• Coinsmart. Cel mai bun schimb de Bitcoin și Crypto din Europa.
• Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. ACCES LIBER.
• CryptoHawk. Radar Altcoin. Încercare gratuită.
• Sursa: https://physicsworld.com/a/focus-on-machine-learning-models-in-medical-imaging/