Image Analytics

Bildanalyse ist die Extraktion nützlicher Informationen aus digitalen Bildern und hat Anwendungen in vielen Bereichen von Astronomie bis Zoologie, einschließlich Biologie, Medizin und industrieller Inspektion.

Zentrum für bildgebende Wissenschaften

Im Zentrum für bildgebende Wissenschaften arbeiten Physiker, Chemiker, Informatiker, Biowissenschaftler und klinische Forscher zusammen, um neue Methoden zu entwickeln und modernste Bildgebungs- und Computertechniken für das Verständnis von Krankheiten, deren Management und Behandlung anzuwenden.

Wir helfen dabei, die umfangreichen Bildgebungseinrichtungen der Universität (einschließlich Magnetresonanztomographie und Positronen-Emissions-Tomographie-Geräte, ein Zyklotron und Radiochemie-Einrichtungen und umfangreiche Bio-Imaging-Geräte) optimal zu nutzen. Wir entwickeln und wenden neuartige Computeralgorithmen an, um medizinische und biologische Bildgebungsdaten zu verstehen und zu interpretieren.

Leitende Forscher:

Professor Timothy Cootes

Tim entwickelt statistische Modelle von Form und Aussehen, die sich als sehr nützlich für die Interpretation von Bildern vieler verschiedener Arten erwiesen haben. Er hat neuartige Algorithmen (wie `Active Shape Models‘ (ASMs) und `Active Appearance Models‘ (AAMs)) entwickelt, die solche Modelle verwenden, um die Umrisse von Strukturen in Bildern zu finden. Diese haben viele Anwendungen, einschließlich der Lokalisierung von Knochen und Organen in medizinischen Bildern, zur Gesichts- und Gestenerkennung und zur industriellen Inspektion.
Tim hat ein besonderes Interesse an Anwendungen des Bewegungsapparates mit Projekten zur Identifizierung von Menschen mit Osteoporose (www.stopfrac.com ), Knochenform messen (www.bone-finder.com ) und verstehen, wie Arthrose am besten überwacht und behandelt werden kann. Weitere Informationen finden Sie in seiner Liste der aktuellen Projekte.

Dr. Neil Thacker

Seine Forschung umfasst häufig die Bewertung der Grundprinzipien, auf denen die Themen Computer Vision und Bildanalyse basieren. Neuere Forschung hat beteiligt; Entwicklung einer statistisch selbstkonsistenten Lösung für das Problem der Analyse punktbasierter Formmodelle für die Genetik, das erste vollständig quantitative quantitative Mustererkennungssystem, und Methoden zur Kalibrierung von MRT-basierten Diffusionsmessungen für die klinische Praxis. Alle Arbeiten werden nach den Prinzipien der quantitativen Verwendung der Wahrscheinlichkeit durchgeführt, die mit Monte-Carlo-Tests gesichert sind, die im Allgemeinen aus realen Datenproben stammen.

Zu Neils jüngsten Arbeiten gehörte die Entwicklung eines neuen Ansatzes, linearer Poisson-Modelle, mit denen MR-Bildgebungsdaten analysiert werden können, um das Volumen eines Tumors zu bewerten, der auf die Behandlung in präklinischen Krebsstudien anspricht. Die Methode erzeugte eine Verbesserung der statistischen Sensitivität um den Faktor sechzehn gegenüber einem herkömmlichen T-Test in den gleichen Daten.

Fakultät für Informatik

Leitende Forscher:

Professor Chris Taylor

Chris ist Direktor von Manchester Informatics und seit über 15 Jahren eine führende Persönlichkeit in der Gesundheitsinformatik in Großbritannien. Er ist seit über 35 Jahren an der Spitze der Computer-Vision-Forschung mit einigen der am häufigsten zitierten Publikationen auf diesem Gebiet und einer starken Bilanz im Technologietransfer. Sein Forschungsschwerpunkt liegt in der Computer Vision und der medizinischen Bildanalyse – mit einem zentralen Interesse an der Entwicklung generischer Methoden zur Unterstützung praktischer Anwendungen in Medizin, Industrie und Handel. Seine Interessen in der Bildanalyse umfassen Mammographie, Knochen- und Gelenkbildgebung (OA, RA), Nagelfaltenkapillaroskopie sowie Gesichtserkennung / -analyse.

Dr. Tingting Mu

Tingting konzentriert sich auf die Entwicklung fortschrittlicher mathematischer Modellierung und groß angelegter Optimierungstechniken, um (1) menschliche Intelligenz zu simulieren und (2) komplexe Daten in der realen Welt zu analysieren. Für (1) zielt sie darauf ab, effektive maschinelle Lernmodelle zu konstruieren, um Aufgaben wie Matching, Erkennung, Vorhersage, Ranking, Inferenz, Charakterisierung, Sprach- und Sehverständnis zu automatisieren. Für (2) entwickelt sie Algorithmen, um latente Strukturen zu entdecken und Informationen aus großen, verrauschten und unstrukturierten Daten zu extrahieren, z. B. Text-, Bild-, Video-, Signal- und Netzwerkdaten, um die Entwicklung von Text-Mining-Systemen und anderen verwandten Forschungsbereichen wie der Bioinformatik zu unterstützen.

Dr. Carole Twining

Eines der aktuellen Forschungsinteressen von Carole ist die Differentialgeometrie. Speziell, Differentialgeometrie sowohl kontinuierlicher als auch diskreter Räume, wie es sich auf Probleme bezieht, die bei der Bild- und Formregistrierung auftreten, und Analyse von Registrierungen. Wenn Sie beispielsweise mit diskreten Darstellungen von Oberflächen arbeiten, treten alle möglichen Probleme auf, wenn Sie versuchen, die Strömung auf solchen Oberflächen zu berücksichtigen oder solche Oberflächen zu verformen. Gelegentlich reicht es nicht aus, die Kontinuumsversion zu nehmen und alle Ableitungen durch Finite-Differenzen zu approximieren. Daher hat Carole versucht, eine Differentialgeometrie zu konstruieren, die solchen Oberflächen innewohnt.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.