Zpracování lékařských snímků jako služba

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27740%2F22%3A10251873" target="_blank" >RIV/61989100:27740/22:10251873 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.it4i.cz/en/industry-cooperation/examples-of-cooperation/medical-image-processing-as-a-service" target="_blank" >https://www.it4i.cz/en/industry-cooperation/examples-of-cooperation/medical-image-processing-as-a-service</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Zpracování lékařských snímků jako služba

Popis výsledku v původním jazyce

Hlavním cílem spolupráce s Fakultní nemocnicí Ostrava bylo nasadit a otestovat nástroj umožňující vzdálenou automatickou segmentaci tkání z obrazových dat pacienta získaných počítačovou tomografií (CT) nebo magnetickou rezonancí (MRI) na superpočítačích provozovaných IT4Innovations. Použité metody umožňující segmentaci tkání jsou založeny na hlubokém učení (deep learning, DL). Záměrem tedy bylo (i) poskytnout službu založenou na nejmodernějších algoritmech pro automatickou segmentaci požadovaných tkání jako anotační službu využívající strojového učení a (ii) shromáždit data po automatické segmentaci a validaci lékařů a poskytnout trénink nových modelů využitím vysoce výkonných výpočtů nebo jemným doladěním vylepšit stávající modely.

Název v anglickém jazyce

Medical image processing as a service

Popis výsledku anglicky

The main goal of our cooperation with University Hospital Ostrava was to deploy and test a tool providing remote automatic tissue segmentation from patient image data obtained from computed tomography (CT) or magnetic resonance imaging (MRI) on HPC infrastructure at IT4Innovations. The methods used to enable tissue segmentation were based on deep learning (DL). The objectives were (i) to provide a service based on state-of-the-art algorithms for automatic segmentation of the desired tissues as an AI-based annotation service and (ii) to collect the data after the automatic segmentation and validation by medical doctors, and to provide HPC-based training of new models or enhancement of the existing models through fine-tuning.

Druh

O - Ostatní výsledky

CEP obor

—

OECD FORD obor

10200 - Computer and information sciences

Projekt

—

Návaznosti

V - Vyzkumna aktivita podporovana z jinych verejnych zdroju

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů