Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Un framework basato su deep-learning per la segmentazione automatica di immagini mediche e la visualizzazione in 3D di strutture anatomiche |
|---|---|
| Titolo del progetto di ricerca in inglese | A deep-learning based framework for automated 2D segmentation of medical images and 3D visualization of anatomical structures |
| Area CUN | 09 - Ingegneria industriale e dell'informazione |
| S.S.D | ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI |
| Descrizione sintetica in italiano | L'obiettivo di questa ricerca è quello di sviluppare un framework che implementi tecniche di deep learning per la segmentazione automatica di immagini mediche (MRI, fMRI, CT e radiografie) e la successiva visualizzazione in 3D di strutture anatomiche umane. La ricerca si baserà, pertanto, sui recenti sviluppi nel settore del deep learning e del transfer learning per far fronte alle difficoltà del dominio dell'imaging medico: la mancanza di annotazioni su larga scala per l’allanemaneto dei modelli. Pertanto, i metodi studiati si concentreranno su tecniche di apprendimento non supervisionato nonché su come incorporare in metodi di machine learning una conoscenza di dominio di alto livello. I metodi ideati dimostreranno le loro efficacia e la capacità di generalizzazione su diversi dataset di immagini mediche delle “grand challenges in biomedical image analysis” di MICCAI. |
| Descrizione sintetica in inglese | The objective of this work is to develop a novel computer framework implementing deep learning methodologies for automated segmentation of 2D medical images and subsequent 3D visualization of anatomical structures. In particular, the research will leverage the recent developments in deep learning and transfer learning to cope with the difficulties of the task at hand as well as of the medical imaging domain in general, one above all the lack of large annotated datasets to train models. Thus, the investigated methods will concentrate on unsupervised learning techniques (e.g., adversarial learning) as well as able on incorporating in machine learning methods high-level domain knowledge. The devised methods will demonstrate their effectiveness and generalization capabilities on several benchmarking datasets taken from the MICCAI grand challenges in biomedical image analysis |
| Data del bando | 20/12/2018 |
| Numero di assegnazioni per anno | 1 |
| E' richiesta mobilità internazionale? | no |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
EUROPE |
| Nazionalità dei candidati |
EUROPE |
| Sito web del bando | http://www.unict.it |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|---|
| Il contratto prevede la copertura delle prestazioni sociali? | yes |
| Importo annuale | 23787 |
| Valuta | Euro |
| Comprende lo stipendio dell'assegnista | yes |
| Comprende vitto e spese di viaggio | no |
| Comprende il costo della ricerca | no |
| Massima durata dell'assegno (mesi) | 12 |
| Nome dell'Ente finanziatore | Università degli studi di Catania |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Catania |
| Codice postale | 95131 |
| Indirizzo | Piazza Università 2 |
| Sito web | http://www.unict.it/bandi/ricerca-e-trasferimento-tecnologico/assegni-di-ricerca-tipo-b |
| ac.ari@unict.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 09/01/2019 |
|---|---|
| Come candidarsi | Other |