Faglige nøgleord: Machine learning, artificial intelligence, mathematical modeling, image analysis, 3D images, graph theory, algorithms
Oplæg tilgængeligt på: Dansk og engelsk
Når du besøger en læge, er et af deres værktøjer maskiner som CT- og MR-scannere. Fra denne samling af forskellige gråtoner i et gitter, kaldet et billede, ønsker de at forstå strukturen og forholdene mellem dine organer, blodkar, hud og mere. Ud fra denne struktur kan de afgøre, om du er sund, eller hvad der skal gøres, hvis dette ikke er tilfældet.
Problemet med at identificere specifikke interesseområder ved at give et "bedste gæt" for alle områder af billedet er kendt som billedsegmentering. Mange forskellige metoder til at give dette gæt eksisterer, men de mest anvendte metoder bruger en type AI-model kendt som et neuralt netværk, da de er meget nøjagtige og hurtige til at lave forudsigelser.
Dog er det gæt, der kommer fra disse modeller, ikke garanteret at have en struktur, der matcher den menneskelige krop, hvilket gør diagnosticering af patienter udfordrende. Desuden kræver disse AI-modeller ofte store databaser af scanninger, der er blevet manuelt annoteret, før de kan lave en enkelt forudsigelse.
En anden metode til forudsigelser er baseret på matematik og er kendt som et graf cut. Med den matematiske tilgang kan vi garantere den forventede struktur helt uden behov for manuelt annoterede scanninger. Dog kræver denne tilgang et ekstra trin i initialiseringen, og den skalerer ikke godt til store billeder.
Kombinationen af disse to metoder har dog stort potentiale, så i min ph.d. vil jeg forsøge at besvare spørgsmålet om, hvordan man kombinerer dem optimalt og effektivt.