Inteligență Artificială în Imagistica Medicală (T5)

Obiective
• Dezvoltarea unor metode de segmentare si adnotare semiautomata bazate pe Foundation Models
• Învățare prin adaptarea la domeniu
• Învățare semi-supervizata, cu supervizare slaba (weekly supervised) si few-shot
• Dezvoltarea unor modele avansate de învățare profunda pentru segmentarea si clasificarea imaginilor medicale bazate pe învățarea prin transfer, modele pre-antrenate de tip LVM si optimizare

Provocări în cercetare / Noutate / Inovare
Provocari: calitatea si volumul datelor, complexitatea adnotarilor, multimodalitatea datelor, eterogenitatea datelor, clase nebalansate, capacitatea de generalizare, impactul clinic al rezultatelor

Rezultate cercetare:
• Seturi de date de antrenare
• Modele noi pentru modalități imagistice
• Demonstrator pentru segmentarea/adnotarea imaginilor 2D exploatând modele de tip LVM (TRL4)

Inovare:
• Modele originale pentru tratarea unor modalități imagistice