Orvosi képfeldolgozás neurális hálókkal
Témavezető: | Lukács András |
ELTE Matematikai Intézet, MI Kutatócsoport | |
email: | andras.lukacs@ttk.elte.hu |
Projekt leírás
A projekt célja az orvosi képfeldolgozás klasszifikációs és szegmentációs technikáinak megismerése, ezek fejlesztése, valós adatokra való illesztése. Ennek során többféle képtípuson (pl. röntgen, CT, retina, ill. hisztopatológiai) értelmezett klasszifikációs és szegmentációs feladatokra használhatunk neurális hálós modelleket. A megismerhető és elsajátítható fő eszközök a konvolúciós, transformer és diffúzió alapú képfeldolgozó neurális hálók, komplex tanítási technikák, transfer learning. Fontos cél, hogy a modellek jól általánosítsanak, képtípuson belül a tanításhoz nem használt adatbázisokon is jól működjenek. A munka során lehetőség van bekapcsolódni folyó kutatásokba.
Előfeltételek
- angol nyelvű szakcikkek olvasása
- meglévő programozási tudás, Python programozási nyelv legalább alap-közepes szintű ismerete, vagy gyors elsajátításának képessége
- előny az adatbányászat, gépi, ill. mély tanulás alapjainak ismerete, a gépi/mély tanulásban használatos programcsomagok ismerete
Hivatkozások
[1] Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep learning. MIT Press, 2016. http://www.deeplearningbook.org/
[2] Zhang, Aston, et al. Dive into deep learning. https://d2l.ai/
[3] Liu, Zhuang, et al. A convnet for the 2020s. In: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2022. https://openaccess.thecvf.com/content/CVPR2022/papers/Liu_A_ConvNet_for_the_2020s_CVPR_2022_paper.pdf
[4] Cao, Hu, et al. Swin-Unet: Unet-like pure transformer for medical image segmentation. In: European conference on computer vision. Cham: Springer Nature Switzerland, 2022. https://arxiv.org/pdf/2105.05537.pdf