Datorseende och medicinsk bildanalys



Forskargruppsledare: Professor Fredrik Kahl

Medarbetare i forskargruppen listas längre ner på sidan. 

Om forskningsområdet Datorseende och medicinsk bildanalys

Målet för forskning inom bildanalys och datorseende är att få datorer att förstå bilder. För att få en bild av bredden på detta ämne behöver man bara fundera på vad vi människor använder vår syn till. Det kan handla om att hitta en tumör i en tredimensionell magnetröntgenbild, att detektera en farlig trafiksituation eller att känna igen ett ansikte. Vissa uppgifter som är lätta för oss är fortfarande utmanande för en dator, som att utläsa ett händelseförlopp från en bild. I andra fall, som när det gäller att skatta en noggrann metrisk 3D-modell från tusentals bilder, är datorerna redan överlägsna.

Problemställningarna i bildanalys och datorseende är komplexa och kräver ett brett spektrum av verktyg från matematik, algoritmteori och statistik. En del av forskningen i gruppen är tydligt tillämpad och utförs i samarbete med användarna. Det handlar om att välja rätt matematiska verktyg för att lösa ett givet problem. Men en stor del handlar snarare om metodutveckling. Det kan handla om att studera ett optimeringsproblem som är centralt inom bildanalys eller utveckla  lämpliga matematiska modeller. Flera av forskarna i gruppen arbetar med medicinsk bildanalys och är kopplade till Sahlgrenska universitetssjukhuset genom MedTech West.

Forskningsprojekt


> Anatomy segmentation in 3D medical images
Locating and segmenting anatomical structures such as the heart, vertebrae or different regions of the brain in an image is an important step for many clinical applications, including visualization, surgical planning and dose radiation therapy. It is also an important tool in order to obtain quantitative measures for diagnostic purposes, for example, the blood volume of the left ventricle.

> Robust Model Estimation in Computer Vision
This project is concerned with model estimation when the measurements are plagued by large quantities of outliers, i.e. measurements with very large errors. This problem arises frequently in computer vision applications. Model estimation with moderate measurement noise is a well-studied problem and even very large problems can be solved accurately. For robust model estimation we have a very different picture where heuristic methods without performance guarantees are often used. In this project we develop new efficient algorithms for these types of problems.

> DTI methods fo MRI brain image analysis

Lesions affecting the visual pathways in the human brain are common and may cause reduced visual acuity or visual field defects, either directly or as a result of surgery. These pathways can be visualised using tractography. The procedure is based on a combination of a magnetic resonance imaging technique known as diffusion tensor imaging (DTI) and computer-based image analysis...

> Patient specific brain segmentation with applications
The aim of this project is to develop state-of-the-art algorithms for automatically and accurately performing patient specific brain segmentation. The efficacy of each algorithm will be determined using real clinical data. Automatic segmentation will be quantitatively compared to manual segmentations performed by several radiologists... 

Sortera efter

Avdelningar

Publicerad: to 04 okt 2012. Ändrad: ti 21 nov 2017