IRUD-IA
Tecnologies d'Anàlisi d'Imatge Mèdica amb intel·ligència Artificial per al desenvolupament de dispositius mèdics.
IRUD-IA
Tecnologies d'Anàlisi d'Imatge Mèdica amb intel·ligència Artificial per al desenvolupament de dispositius mèdics.
L'objectiu d'aquest projecte de recerca és generar nou coneixement sobre els models fundacionals, l'aprenentatge auto supervisat i els models visió llenguatge en el camp de la imatge mèdica.
Això servirà per agilitzar els temps de desenvolupament, validació i certificació de les solucions d'imatge mèdica basades en IA, i, per tant, suposarà una reducció del temps d'arribada al mercat d'aquests productes, oferint un avantatge competitiu per a les empreses nacionals. Per tant, la proposta es presenta com una disrupció sobre la cadena de valor dels models d'IA aplicats a imatge i text mèdic.
Consorci format per les següents Empreses, Centres Tecnològics i Universitats: Deusto SEIDOR, ULMA Medical Technologies, Erhardt Serikat, E Process Med, Cyber Surgery, Global Datamediatech Systems, Data Value Management, A3z Advanced Analytical Consulting Services, Centre Tecnològic Vicomtech, Universitat de Deusto i Institut d'Investigació Sanitària BIOGIPUZKOA
Objectius tècnics del projecte
Avançar en el coneixement i en la implementació de models fundacionals en imatge mèdica a partir de bases de dades de la comunitat científica i pròpies del projecte per a estudis d'imatge de radiologia 2D i 3D i imatges mèdiques no radiològiques. Existeixen múltiples modalitats diferents d'imatge mèdica i no és evident com processar la informació, si de manera conjunta o separada per modalitat, per òrgan, etc.
Investigar sobre els diferents mètodes d'aprenentatge auto-supervisat que permetin optimitzar el rendiment dels models fundacionals. Encara que s'ha emprat aquesta tecnologia freqüentment en visió per computador, el seu ús en imatge mèdica no està tan treballat i els límits de la tecnologia en aquest entorn no són molt coneguts, considerant les particularitats de la imatge mèdica.
Investigar diferents mètodes per realitzar de manera adequada el fine-tuning de models fundacionals d'imatge a tasques específiques (prediagnòstic de càncer de pròstata, diagnòstic de patologies respiratòries i malalties oftalmològiques) i en la seva explicabilitat per oferir una major confiança al clínic.
Investigar diferents mètodes de generació sintètica d'imatges mèdiques, incloent-hi els més novedosos models de difusió i la inclusió de condicionament (per exemple, per text) durant la generació. Avançar en la definició i establiment de mètriques apropiades i específiques per avaluar la validesa de les imatges mèdiques sintètiques.
Ampliar el coneixement en els models visió-llenguatge, capaços de processar informació mèdica multimodal (imatge+text) per resoldre gran varietat de tasques com la generació automàtica de reportes a partir d'imatge
