Budapesti Műszaki és Gazdaságtudományi Egyetem - BME -- Távközlési és Médiainformatikai Tanszék - TMIT BME - Távközlési és Médiainformatikai Tanszék - TMIT
 
 
| Témakiírások | | | | | IW  
 
 
Önálló labor
Kiírt témák

Ez egy előző félévben kiírt, archivált téma.

Szívbetegség felismerés mélytanulással (ipari és klinikai partnerrel) (Deep learning for heart disease detection (with hospital and industrial partner))

A szív működését, a szívizom eltéréseit különböző módon lehet vizsgálni. Ezek közül napjaink egyik legfejlettebb nem invazív módszere a CMR (kardiovaszkuláris mágneses rezonancia) képalkotás. A CMR vizsgálat egyik fő előnye, hogy szöveti információt is nyújt, melynek megítéléséhez újabban a szívizom esetén kvantitatív információ is nyerhető, az ún. T1 és T2 térképezésen alapuló módszer segítségével. A normál szívizomszövet meghatározott T1 és T2 relaxációs idővel rendelkezik, mely kóros állapotokban pl. szívizomelhalás, heg megváltozik. A mélytanuló eljárások számos egészségügyi témakörben jelentős sikereket értek el, azonban minden új vizsgálati módszer egyedi megoldás kidolgozását teszi szükségessé. Továbbá az eredmények kutatáson túlmutató, termékszintű felhasználása még csak kevés esetben történt meg. A hallgató feladata a félév során klinikai és ipari munkatársakkal együttműködve anonimizált magyarországi klinikai adatbázis segítségével olyan mélytanuló MI eljárás kidolgozása, mely képes a normális szívizomszövettől való eltérést detektálni T1 és T2 felvételeken. A hallgató a félév során először megismerkedik a feladattal és a rendelkezésre álló adatbázissal. Ezt követően önfelügyelt módszerek (pl. autoencoder vagy generative adversarial network) segítségével betanítja a mélytanuló modellel az optimális szívizomszövet térbeli eloszlását, majd egy egyedi kiértékelési módszertan segítségével meghatározza a beteg szívizomszövet eltérését a normálistól. A feladatot lehetséges tudományos publikációban, diplomamunkaként, TDK-ban és PhD tanulmányok során folytatni. Kapcsolódó irodalmi példa: https://www.sciencedirect.com/science/article/pii/S0933365720312203

Kulcsszavak: deep learning, computer vision, health care
Témavezető: Gyires-Tóth Bálint
Oktatók: Gyires-Tóth Bálint.
A következő tantárgyakhoz javasolt:
 vitma345 (Vill., BSc. Önálló laboratórium)
 vitma414 (Szakdolgozat)
 vitmal03 (Vill.mérn. BSc Önálló laboratórium)
 vitmm807 (Vill., MSc, Önálló laboratórium 1, Infokommunikációs rendszerek)
 vitmm857 (Vill., MSc, Önálló laboratórium 2, Infokommunikációs rendszerek)
 vitmm907 (Diplomatervezés 1. (Vill. Infokommunikációs rendszerek szakirány))
 vitmml02 (Vill,MSc,Önlab.1, Okos város,Vez.nélküli rendsz. és alk.ok,Multimédia rendsz. és szolg.,Optikai távközlés (VITMML02))
 vitmml03 (Vill,MSc,Önlab.2, Okos város,Vez.nélküli rendsz. és alk.ok,Multimédia rendsz. és szolg.,Optikai távközlés (VITMML03))
 vieum821 (Önálló munka 1)
 vieum871 (Önálló munka 2)
 vieum921 (Diplomatervezés 1 (Egészségügyi mérnök))
QR:    (mi is az?)
 
 katt. a nagyításhoz