Medical image segmentation under multiple real-world constraints
Medische beeldsegmentatie onder meerdere real-world beperkingen
Medische beeldvorming, zoals CT-scans en MRI, speelt een essentiële rol bij het diagnosticeren van ziekten en het plannen van behandelingen. Computers kunnen artsen helpen door automatisch interessegebieden, zoals tumoren, te identificeren en af te bakenen---een proces dat beeldsegmentatie wordt genoemd. Het trainen van deze systemen voor klinisch gebruik kent echter praktische uitdagingen: expertannotaties zijn duur en tijdrovend om te verkrijgen, en de meest informatieve beeldmodaliteiten zijn vaak kostbaar of niet beschikbaar.
In dit proefschrift stelt Changtai Li drie methoden voor om deze uitdagingen aan te pakken. Ten eerste ontwikkelt Li een techniek die leert om grove, niet-expert annotaties om te zetten in resultaten van expertkwaliteit. Ten tweede introduceert hij een zelfgesuperviseerde aanpak waarmee computers nuttige patronen kunnen leren uit ongelabelde 3D-scans, waardoor de behoefte aan uitgebreide expertlabeling afneemt. Ten derde ontwierp Li een kennisoverdrachtsframework dat nauwkeurige segmentatie mogelijk maakt met alleen goedkope beelden tijdens de diagnose, zelfs wanneer getraind met rijkere beelddata.
Samen maken deze bijdragen medische beeldsegmentatie praktischer voor dagelijks klinisch gebruik door de afhankelijkheid van dure annotaties en kostbare beeldvormingsprocedures te verminderen, terwijl de nauwkeurigheid die artsen vereisen behouden blijft.
Changtai Li voerde zijn onderzoek uit bij het Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, afdeling Wetenschappelijke Visualisatie en Computergrafiek, met financiering van het Chinese Scholarship Council.