Az elmúlt években számos területen áttörő eredményeket értek el a mesterséges intelligenciára épülő eljárások.  A gyakorlatban is sikerült megmutatni, hogy a mély tanulást használó módszerek nagy mennyiségű bemeneti és kimeneti adatpár esetén képesek az adatok közti transzformációs függvényt nagy pontossággal közelíteni, így lehetőséget biztosítanak osztályozási problémák megoldására, de akár szuperrezolúcióra, szegmentációra vagy zajszűrésre is használhatóak.

Az orvosi képalkotó eljárások közé tartozó PET és MRI technológia évtizedek óta fontos szerepet tölt be bizonyos betegségcsoportok diagnosztizálásában. Az elkészült felvételekből számítógépes eljárásokkal, ún. rekonstrukciós algoritmusokkal állítjuk elő az orvos által felhasználható háromdimenziós radiofarmakon-térképeket. Általános cél a diagnosztikában a mérési idő lerövidítése, ehhez a célhoz kapcsolódóan a hallgató feladata a meglévő rekonstrukciós algoritmushoz egy olyan neurális hálózatokon alapuló megoldás készítése, mellyel javítható a képalkotás minősége.

A hallgató feladata a diplomamunka készítés keretében a Mediso Kft. ezen témakörben végzett kutatás-fejlesztési tevékenységéhez kapcsolódik.

A hallgató feladatai

• Ismerkedjen meg a szakirodalomban megtalálható főbb rekonstrukciós algoritmusokkal!
• Végezzen irodalomkutatást a különböző zajszűrő technikákról (felvétel terében, rekonstrukció alatt, rekonstruált eredményeken működő megoldások)!
• Ismerkedjen meg egy neurális hálózatokat kezelő keretrendszerrel (pl.: TensorFlow, PyTorch)
• Készítsen egy zajszűrő módszert két dimenziós bemenetű neurális hálózatokkal!
• Készítse el az előző módszer három dimenziós változatát!
• Dolgozzon ki egy módszert a különféle megoldások kvantitatív összehasonlítására a rekonstruált térfogat szintjén!
• Tesztelje az elkészült megoldások általánosságát, robusztusságát!
• Vizsgálja meg a létrejött megoldás futási idejét, erőforrásigényét!