ͯÑÕÊÓƵ

Fördelarna med konvolutionella neurala nätverk (CNN) är viktdelning och att de automatiskt kan upptäcka viktiga visuella egenskaper. Minh Vu och forskarna i gruppen fann att CNN är mycket effektiva för att automatiskt segmentera tumörer, organ och strukturer, vilket innebär att CNN kan spara mycket tid för strålningsonkologer när de avgränsar dem.

Andra fynd är följande: För det första är ett kaskadkopplat nätverk för djupinlärning effektivt och lovande för att kvantifiera osäkerhet i segmenteringen av medicinska bilder. För det andra visade den föreslagna nya förlustfunktionen, den så kallade "dataadaptiva förlustfunktionen", att den kan hantera olika problem inom djupinlärning, inklusive obalanserade datamängder, delvis märkta data och inkrementell inlärning. För det tredje, ett av arbetena, designat för att komprimera högdimensionella aktiveringskartor, visade att det inducerar en regulariseringseffekt som verkar på lagerviktsgradienterna. Genom att använda den föreslagna tekniken minskade vi användningen av aktiveringskartans minne med upp till 95 procent.

Sammantaget syftar denna avhandling till klassificering och segmentering av medicinska bilder. Forskarna använde både offentliga och interna datauppsättningar.

De djupinlärningsarkitekturer som användes i denna avhandling var generativa motstridiga nätverk (GAN) och konvolutionella neurala nätverk (CNN). Man använde också ett flertal metoder genom hela avhandlingen: statistiska tester (Friedman-test följt av ett Nemenyi post-hoc-test) för att hitta de metoder som skiljer sig signifikant från de andra, hyperparametersökning, korsvalidering och ensemble, för att nämna en få metoder.

Minh Hoang Vu har tidigare examen från Nanyang Technological University, Singapore, 2015. Hans forskningsintressen inkluderar semantisk segmentering, nätverkskomprimering, generativt kontradiktoriskt nätverk och visuella frågor.