témavezető: Harangi Balázs
helyszín (magyar oldal): Debreceni Egyetem, Informatikai Kar helyszín rövidítés: ITDI
A kutatási téma leírása:
A mély tanulás az utóbbi években végbement, robbanásszerű fejlődése, új utakat nyitott meg, rengeteg, korábban hosszadalmasan, vagy csak emberi beavatkozással automatizálható́ probléma, heurisztika-mentes megoldására. [1][2][3][4] Az orvostudományban jelenleg az egyik legégetőbb probléma az emberi erőforrás szűk keresztmetszete. Ezen területek egyike a radiológia, ahol a vizsgált betegek és a képzett radiológusok aránya szűk keresztmetszetet jelent. Jelenleg általános probléma szerte a világon az egyre olcsóbb képalkotó vizsgálatok miatt, hogy nincs elég radiológus a hatékony és gyors képelemzéshez. A hagyományos képfeldolgozási technológiák heurisztikus megközelítése nehezen általánosítható különböző képalkotási technikák és különböző betegségek detektálására. [5] A jelenlegi extrém olcsó számításierőforrások miatt a tendenciák abba az irányba mutatnak, hogy vesznek különböző már előre betanított “hatalmas” univerzális mély tanulási modelleket (pl. VGG16, ResNet50) [6] és akár csak az osztályozó rétegek vagy néhány tulajdonság kiemelő réteg áttanításával adnak a problémára elfogadható megoldást. Kutatásunkban azt vizsgáljuk meg mennyivel kisebb (kevesebb rétegből álló) és optimális model is képes hasonló hatékonysággal működni ezeken a röntgenfelvételeken szignifikánsan kevesebb tanulási iterációval. Valamint szeretnénk létrehozni egy olyan eljárást, amellyel automatikusan készíthetőek optimális modellek a célfeladat megoldásához. A kutatás másik ágában szeretnénk megvizsgálni, hogy a különböző univerzális címkéző rendszerek kiválthatóak-e ensemble bináris rendszerekkel, amelyek szignifikánsan kevesebb erőforrással hasonló vagy jobb eredményt képesek produkálni. Ezen rendszerekhez természetesen nem csak az architektúrában szeretnénk módosításokat eszközölni, hanem a hozzájuk tartozó metrikák és veszteség függvények tekintetében is. Ehhez 3 független adatbázison végeznénk teszteket. Köztük az egyik legnagyobb és legfrissebb ebben a témában. Hozzáférést kaptunk a legnagyobb elérhető mellkasi röntgen adatbázisához (MIMIC-CXR) [7][8] , amely több, mint 370 ezer képet tartalmaz megközelítőleg 60 ezer betegtől. Az adatbázis 14 betegségről rendelkezik információval képenként külön taglalva, hogy az adott betegség (megtalálható/nem található meg/nincs említés) az adott feltételre nézve. Jelenleg ez a lehető legnagyobb publikusan elérhető mellkasröntgen adatbázis (közzététel dátuma 2019. Január 26.) Ez már kiemelt beteg adatnak, amit a PhyisoNet-en kersztül érünk el [9] számít így az MIT-n le kellett tenni egy “Human Research - Data or Specimens Only Research” vizsgát amit 98%-os minősítéssel teljesítettem 2019. Márciusban. [10]
Irodalom:
[1] Krizhevsky, A., Sutskever, I. & Hinton, G. E. Imagenet classification with deep
convolutional neural networks. In Advances in neural information processing systems, 1097–
1105 (2012).
[2] Szegedy, C. et al. Going deeper with convolutions. In 2015 IEEE Conference on Computer
Vision and Pattern Recognition (CVPR), 1–9, https://doi.org/10.1109/CVPR.2015.7298594
(2015).
[3] Simonyan, K. & Zisserman, A. Very deep convolutional networks for large-scale image
recognition. arXiv preprint arXiv:1409.1556(2014).
[4] He, K., Zhang, X., Ren, S. & Sun, J. Deep residual learning for image recognition. In 2016
IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778, https://doi.org/10.1109/CVPR.2016.90 (2016)
[5] Bar, Y., Diamant, I., Wolf, L., Lieberman, S., Konen, E., & Greenspan, H. (2015). Chest
pathology detection using deep learning with non-medical training. 2015 IEEE 12th
International Symposium on Biomedical Imaging (ISBI), 294-297.
[6] Esteva, A., Chou, K., Yeung, S. et al. Deep learning-enabled medical computer vision. npj
Digit. Med. 4, 5 (2021). https://doi.org/10.1038/s41746-020-00376-2
[7] Johnson, A.E.W., Pollard, T.J., Berkowitz, S.J. et al. MIMIC-CXR, a de-identified publicly
available database of chest radiographs with free-text reports. Sci Data 6, 317 (2019). https://doi.org/10.1038/s41597-019-0322-0
[8] Johnson, A., Lungren, M., Peng, Y., Lu, Z., Mark, R., Berkowitz, S., & Horng, S. (2019).
MIMIC-CXR-JPG - chest radiographs with structured labels (version 2.0.0). PhysioNet.
[9] Goldberger, A., Amaral, L., Glass, L., Hausdorff, J., Ivanov, P. C., Mark, R., ... & Stanley,
H. E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research
resource for complex physiologic signals. Circulation [Online]. 101 (23), pp. e215–e220.
[10] https://www.citiprogram.org/verify/?wc336af3d-07fe-4403-a30a-140e6729d84e30571891
Jelentkezési határidő: 2024-05-15
2024. IV. 17. ODT ülés Az ODT következő ülésére 2024. június 14-én, pénteken 10.00 órakor kerül sor a Semmelweis Egyetem Szenátusi termében (Bp. Üllői út 26. I. emelet).
Bejelentkezés
