a képelemzés hasznos információk kinyerése a digitális képekből, és számos területen alkalmazható a csillagászattól a zoológiáig, beleértve a biológiát, az orvostudományt és az ipari ellenőrzést.
képalkotó Tudományok Központja
a képalkotó tudományok központjában fizikusok, vegyészek, számítógépes tudósok, biológusok és klinikai kutatók dolgoznak együtt, hogy új módszereket dolgozzanak ki és alkalmazzák az élvonalbeli képalkotó és számítási technikákat a betegségek megértésére, kezelésére és kezelésére.
segítünk a lehető legjobban kihasználni az egyetem kiterjedt képalkotó berendezéseit (beleértve a mágneses rezonancia képalkotást és a pozitron emissziós tomográfiás berendezéseket, a ciklotron és a radiokémiai létesítményeket és a kiterjedt bio-képalkotó berendezéseket). Új számítógépes algoritmusokat fejlesztünk és alkalmazunk az orvosi és biológiai képalkotó adatok megértéséhez és értelmezéséhez.
vezető kutatók:
Timothy Cootes professzor
Tim statisztikai modelleket dolgoz ki mind a forma, mind a megjelenés szempontjából, amelyek nagyon hasznosnak bizonyultak sokféle kép értelmezéséhez. Úttörő új algoritmusok (mint például az `aktív Alakmodellek’ (ASMS) és az `aktív Megjelenésmodellek’ (AAMS)), amelyek ilyen modelleket használnak a struktúrák körvonalainak megkeresésére a képeken. Ezeknek számos alkalmazási területe van, beleértve a csontok és szervek elhelyezkedését az orvosi képeken, az arc – és gesztusfelismerést, valamint az ipari ellenőrzést.
a Tim különös érdeklődést mutat az izom-csontrendszeri alkalmazások iránt olyan projektekkel, amelyek célja az osteoporosisban szenvedő emberek azonosítása (www.stopfrac.com), mérje meg a csont alakját (www.bone-finder.com) és megérteni, hogyan lehet a legjobban ellenőrizni és kezelni az osteoarthritist. További információért lásd a jelenlegi projektek listáját.
Dr. Neil Thacker
kutatása gyakran magában foglalja a számítógépes látás és a képelemzés alapelveinek értékelését. A legújabb kutatások részt vettek; statisztikailag önkonzisztens megoldás kidolgozása a genetikai pontalapú alakmodellek elemzésének problémájára, az első teljesen kvantitatív kvantitatív mintafelismerő rendszer, valamint az MRI alapú diffúziós mérés kalibrálásának módszerei a klinikai gyakorlat számára. Minden munkát a valószínűség kvantitatív felhasználásának elvei alapján végeznek, Monte-Carlo teszteléssel alátámasztva, általában a valós adatmintákból indulva.
Neil néhány közelmúltbeli munkája magában foglalta egy új megközelítés, a lineáris Poisson modellek megtervezését, amelyekkel az MR képalkotó adatokat elemezhetik, hogy felmérjék a kezelésre reagáló daganat térfogatát a preklinikai rákkísérletek során. A módszer tizenhat tényező statisztikai érzékenységének javulását eredményezte egy hagyományos T-tesztnél ugyanazon adatokban.
School of Computer Science
vezető kutatók:
Chris Taylor professzor
Chris a Manchester Informatics igazgatója, és több mint 15 éve vezető szerepet tölt be az egészségügyi informatika területén az Egyesült Királyságban. Több mint 35 éve élen jár a számítógépes látás kutatásában a terület egyik legtöbbet idézett publikációjával és a technológiaátadás terén elért erős rekordjával. Alapkutatása a számítógépes látás és az orvosi képelemzés – központi érdeklődéssel rendelkezik az általános módszerek fejlesztésében, amelyek alátámasztják az orvostudomány, az ipar és a kereskedelem gyakorlati alkalmazásait. Érdeklődése a képelemzés iránt kiterjed a mammográfiára, a csont-és ízületi képalkotásra (OA, RA), a Nailfold Capillaroscopy-ra, valamint az arcfelismerésre/elemzésre.
Dr. Tingting Mu
Tingting fejlett matematikai modellezés és nagyszabású optimalizálási technikák fejlesztésére összpontosít, hogy (1) szimulálja az emberi intelligenciát és (2) elemezze a valós komplex adatokat. Az (1) esetében hatékony gépi tanulási modelleket kíván létrehozni olyan feladatok automatizálására, mint az illesztés, A felismerés, az előrejelzés, a rangsorolás, a következtetés, a jellemzés, a nyelv és a látás megértése. A (2) számára algoritmusokat fejleszt ki a látens szerkezet felfedezésére és információk kinyerésére nagy léptékű, zajos és strukturálatlan adatokból, például szövegből, képből, videóból, jelből és hálózati adatokból, hogy támogassa a szövegbányászati rendszerek és más kapcsolódó kutatási területek, például a bioinformatika fejlesztését.
Dr. Carole Twining
Carole egyik jelenlegi kutatási területe a Differenciálgeometria. Pontosabban, mind a folytonos, mind a diszkrét terek Differenciálgeometriája, mivel a kép-és alakregisztráció, valamint a regisztrációk elemzése során felmerülő kérdésekre vonatkozik. Például, amikor a felületek diszkrét ábrázolásával dolgozunk, mindenféle kérdés merül fel, amikor megpróbáljuk megfontolni az ilyen felületeken történő áramlást, vagy deformáljuk az ilyen felületeket. Időnként a kontinuumváltozat felvétele, és az összes derivált közelítése véges különbségekkel nem elegendő. Ezért Carole munkája magában foglalta az ilyen felületekre jellemző differenciálgeometria felépítését.
