Semiövervakad inlärning för medicinsk bildanalys

Många av de största framgångarna inom maskininlärning de senaste åren har varit baserad på övervakad inlärning, och har använt sig av en kombination av mycket datorkraft och stora mängder etiketterad data. Tyvärr är det manuella arbetet som krävs för att etikettera data orimligt tidskrävande i många sammanhang, inklusive för medicinsk bildanalys. Istället tror många att semi-övervakad inlärning kommer ligga till grund för nästa stora revolution inom AI, genom att utnyttja stora mängder data som inte fått några etiketter (och några med etiketter). Förhoppningen är att man även utan etiketter ska kunna extrahera essensen ur data och därmed lära sig att tolka bilder med hjälp av ett fåtal etiketter. 

I det här projektet kommer vi utveckla nya metoder inom semi-övervakad inlärning och tillämpa dem på problem inom medicinsk bildanalys där vi har tillgång till stora mängder data utan etiketter. Vi har identifierat två viktiga problem inom medicinsk bildanalys, även om vi förväntar oss att våra tekniker ska kunna användas även inom andra domäner. Den första är baserad på SCAPIS-studien, som innehåller CT-bilder från över 28,000 individer. Dessa bilder kan användas till att analysera exempelvis åderförfettning i kranskärl, vilket i sin tur är viktigt för att kunna bedöma risken för framtida hjärtinfarkter. Det andra problemet är automatisk analys av hjärtutraljudsbilder. För närvarande har vi tillgång till 90.000 sådana bilder. All forskning kommer utföras i samarbete med medicinska forskare på det Sahlgrenska universitetssjukhuset. 

Samarbetande organisationer

  • Sahlgrenska universitetssjukhuset (Offentlig, Sweden)
Startdatum 2020-09-01
Slutdatum 2025-09-01

Sidansvarig Publicerad: lö 21 aug 2021.