Zastosowanie metod uczenia maszynowego w tomografii PET
Metody sztucznej inteligencji czy uczenia maszynowego (ang. machine learning ML) pojawiają się w bardzo wielu dziedzinach życia. Stykamy się z nimi każdego dnia poczynając od algorytmów stosowanych w popularnych sieciach społecznościowych przez obsługiwanych głosowo asystentów na samochodach autonomicznych kończąc. Nie jest zaskakującym, że metody te są używane w wielu innych dziedzinach, w których istotne jest rozwiązywanie złożonych problemów np. w zastosowaniach medycznych oraz badaniach naukowych.
Metody uczenia maszynowego stosujemy w badaniach prowadzonych w projekcie Jagiellonian PET. Naszym celem jest opracowanie nowatorskiego skanera pozytonowej tomografii emisyjnej PET, który pozwala na jednoczesne obrazowanie całego ciała pacjenta będąc tańszym w produkcji od obecnych rozwiązań konwencjonalnych. Tomograf taki pozwoli na bardziej precyzyjne diagnozowanie nowotworów między innymi przez wykorzystanie nowych technik obrazowania. Algorytmy uczenie maszynowego mogą znaleźć zastosowanie na różnych etapach przetwarzania danych zebranych skanerem takich jak wstępna analizy sygnałów, rozwiązywania problemu zakłóceń czy wyszukiwania anomalii w obrazach tomograficznych.
W trakcie prezentacji opowiemy o zasadach działania wybranych algorytmów ML korzystając z interaktywnych przykładów. Krótko omówimy w jakich dziedzinach są one powszechnie stosowane. Następnie przybliżymy ideę tomografii PET. W trzeciej części prezentacji przedstawimy jak metody uczenia maszynowego mogą wspomagać rozwój nowych technik obrazowania. Przedyskutujemy przykładowe problemy napotykane w obrazowaniu PET oraz pokażemy jaki zysk można osiągnąć stosując uczenie maszynowe, kontrastując je z podejściem klasycznym.
