Глубокое обучение без учителя для сегментации медицинских изображений

Размер команды: 2 команды, не более чем 5 человек каждая. Разделение возможно в силу объема работ.

Кому подойдет этот проект: этот проект подойдет для тех, кто видит свое развитие в области машинного обучения и Data Science как формы науки, а не копирования кода из блогов и соревнования в подборе гиперпараметров с Google AutoML. Мы ставим своей целью проверку state-of-the-art подходов и создание новых архитектур.

Проблема: наибольшие финансовые и трудозатраты для применения методов машинного обучения несет задача сбора и разметки данных. Современные методы обучения без учителя позволяют сегментировать изображения без разметки. Однако, результаты применения таких алгоритмов в области биомедицинской сегментации не всегда соответствуют требуемому качеству решения проблемы.

Имеющиеся наработки: собственные оригинальные датасеты для задач гистологии и анализа крови, 20-30 блокнотов с разными архитектурами сегментации на фреймворках Keras и PyTorch, записи семинаров с разбором современных архитектур для биомедицинской сегментации, консультанты из коммерческих компаний и научных организаций, наличие публикации по материалам выполнения проектов.

Видение проекта: использовать несколько подходов к сегментации данных без учителя (от 3 до 12) к нескольким задачам биомедицинской инженерии (от 3 до 12). По возможности предложить оригинальный подход.

Предлагаемые подходы к решению. Методы: сети Кохенена, W-Net, Invariant Information Clustering. Приложения: сегментация раковых клеток, сегментация клеток крови, сегментация органов брюшной полости по магнитно-резонансной томографии или компьютерной томографии.

Выполнение проекта требует знаний или умения быстро их приобретать в зависимости от ваших амбиций и честолюбия ;)

• Минимальные: английский B1 и уметь отличать кошек от собак сверточными нейронными сетями. Желательно посмотреть все лекции Созыкина по нейронным сетям.
• Рекомендуемые: свободное чтение на английском, знание архитектур UNet и FCN. Желательно посмотреть шестой блок в лекциях Hugo Larochelle.

Куратор: Ушенин Константин​

Цель: Опубликовать работу с анализом эффективности различных подходов к сегментации без учителя для различных биомедицинских приложений.

Ожидаемый результат: 

• Представление результатов перед научным сообществом на конференции;
• Поданная статья на рецензируемую конференцию;

Контакты куратора: kostaNew@gmail.com vk.com/kostaNew