Promotie G. (Gijs) van Tulder

Proefschrift in het kort:

Machine learning wordt veel gebruikt voor de automatische analyse van medische beeld, zoals het segmenteren of classificeren van MRI- en CT-beelden. De meeste machine learning-modellen hebben echter een generalisatieprobleem: ze zijn gevoelig voor subtiele verschillen in beeldkwaliteit, waardoor bijvoorbeeld een model dat is geoptimaliseerd voor beelden van één type scanner niet per definitie ook goed zal werken voor beelden van een ander type. Op dezelfde manier kunnen ook problemen ontstaan bij de analyse van scans die zijn verzameld in verschillende ziekenhuizen of met net iets andere scanprotocollen. Methodes voor domeinadaptatie proberen dit probleem op te lossen door de verschillen tussen beelden van verschillende bronnen te verkleinen, of door de modellen er minder gevoelig voor te maken.

Dit proefschrift onderzoekt domeinadaptatie op basis van deep learning en representation learning. Deze methodes vertalen beelden van verschillende bronnen naar één gedeelde featureruimte, zodat ze kunnen worden verwerkt door één gezamenlijk model dat beelden van alle bronnen op dezelfde manier kan analyseren. We evalueren een aantal van deze methodes op verschillende taken, zoals classificatie van longweefsel en segmentatie van hersentumoren. We verkennen hoe de methodes functioneren, op welke aannames ze zijn gebaseerd, en wanneer ze wel en niet goed werken. In het laatste hoofdstuk bespreken we hoe deze methodes in de toekomst voor medische beeldanalyse zouden kunnen worden toegepast.