Geometric Deep Learning for Medical Image Processing Problems
Tid: Fr 2024-11-29 kl 09.00
Plats: T2 (Jacobssonsalen), Hälsovägen 11C, Huddinge
Videolänk: https://kth-se.zoom.us/j/62762467727
Språk: Engelska
Ämnesområde: Medicinsk teknologi
Respondent: Fabian Sinzinger , Medicinsk avbildning, Karolinska Institute
Opponent: Professor Thomas Schultz, University of Bonn
Handledare: Professor Rodrigo Moreno, Medicinsk avbildning; Docent Joana Braga Pereira, Institutionen för klinisk neurovetenskap, Karolinska Institutet; Professor Örjan Smedby, Medicinsk avbildning
QC 2024-11-06
Abstract
I denna avhandling presenteras fyra studier som tillsammans utforskar en integration av geometriska djupinlärningsmetoder i bildbehandling för medicinska tillämpningar.
Motivationen till detta är att a) konventionella djupinlärningsmodeller för medicinsk avbildning i hög grad är beroende av träningsdatans mängd och kvalitet, samt b) medicinska bilder ofta avbildar strukturer med inneboende geometriska egenskaper som traditionella djupinlärningsmodeller inte nödvändigtvis tar hänsyn till.
Den första studien fokuserar på att förutsäga styvhetstensorer baserat på mikro-CT-bilder av trabekulärt ben. Denna förutsägelse kräver inlärning från de komplexa strukturerna i trabekulärt ben med begränsad tillgång på data. Vår föreslagna modell använder ett sfäriskt faltningseuronnät (SphCNN) för detta ändamål. Den andra studien undersöker överlevnadsprognoser vid lungcancer utifrån bildbaserade egenskaper. Vi utvärderar en föreslagen pipeline, baserad på SphCNN, med CT-bilder av icke-småcellig lungcancer. Den tredje studien fokuserar på stabiliteten hos en traktografialgoritm för riktade fibrer under godtyckliga tredimensionella rotationer. Vi föreslår att integrera en SE(3)-ekvivariant transformermodell i traktografins ramverk för att bevara rotations-ekvivariansen. Den fjärde studien utvärderar en pipeline för strukturell konnektivitet i kombination med traktogramfiltrering, klassificering och analys. Pipelinen utvärderas utifrån dess förmåga att identifiera skillnader i hjärnans konnektivitet kopplat till Parkinsons sjukdom.