Til hovedinnhold
Norsk English

Forskningsgruppe Medisinsk bildeanalyse

Vi samarbeider tett med helsepersonell for å avdekke informasjonen som ligger skjult i diagnostiske data — i alt fra CT (computertomografi) til histopatologiske bilder.

Kontaktperson

Dette gjør vi

Medisinsk bildediagnostikk er en hjørnestein i moderne helsetjenester, og gir klinikere avgjørende innsikt i pasientens helse med minimal risiko og ubehag. Likevel kan det fulle potensialet i disse bildene begrenses av faktorer som støy, bildestørrelse og utfordrende tolkning, noe som gjør analysen tidkrevende, vanskelig og subjektiv.

I forskningsgruppen Medisinsk bildeanalyse er vår visjon å utvikle avanserte bildeanalyse-teknikker som frigjør den rike informasjonen som er innebygd i medisinske data. Gjennom forskning på KI og algoritmer for datamaskinsyn, har vi som mål å omdanne bildedata til klinisk meningsfulle innsikter, og presentere resultater på en tilgjengelig og verdifull måte for helsepersonell. Vi holder oss i front av fagfeltet ved å kontinuerlig investere i nye trender innen bildeanalyse og -prosessering, og ved å utvide vår portefølje for å møte både nåværende og fremtidige kliniske behov.

Ved å flytte grensene for kunstig intelligens (KI) og informatikk utvikler vi innovativ teknologi som støtter og forbedrer det daglige arbeidet til klinikere, og dermed bidrar til bedre pasientbehandling og kliniske resultater

Våre samarbeid med nasjonale helseinstitusjoner som St. Olavs hospital (Trondheim) og Oslo universitetssykehus, samt internasjonale aktører som Dopl Technologies, Inc. (USA) og GE Healthcare (USA), gjør oss i stand til å effektivt oversette kliniske behov til innovative tekniske løsninger og applikasjoner som raskt kan integreres i klinisk arbeid, og dermed styrke pasientbehandlingen og støtte beslutningstaking i helsetjenenesten.

Vår ekspertise

  1. Databehandling: Vi tilbyr omfattende støtte gjennom hele datalivssyklusen, inkludert identifisering, innsamling, rensing og sikker lagring av data. Vi har solid kompetanse innen dataannotering, hvor vi benytter både egne verktøy som AnnotationWeb og anerkjente tredjepartsløsninger som MONAI og 3DSlicer. Dette sikrer datasett av høy kvalitet og med god annotering, som danner grunnlaget for pålitelig bildeanalyse.
  2. Bildeanalyse: Gruppen har etablert ekspertise i å hente ut klinisk relevant informasjon fra medisinske bilder, med en sterk merittliste innen publisert forskning (se kildehenvisninger under). Vårt fokus dekker tre hovedområder: Forbedring av bildekvalitet, multimodal analyse og automatisering av kliniske målinger. Disse aktivitetene benytter avanserte metoder innen KI og beregningsorienterte teknikker for å støtte utviklingen av relevante kliniske applikasjoner.
  3. Kliniske applikasjoner: Vi bygger bro mellom teknologiske innovasjoner og kliniske behov ved å omsette forskningsnyvinninger til praktiske løsninger. Vårt arbeid omfatter
    • beslutningsstøttesystemer
    • integrasjon av medisinsk kunnskap og 
    • medisinsk robotikk — med mål om å støtte helsepersonell i deres daglige arbeid.
  4. Verktøyutvikling: Vi leverer praktiske løsninger for helsepersonell fra idé til implementering. Vår kompetanse omfatter
    • programvareutvikling
    • skytjenester og
    • KI-baserte verktøy, noe som sikrer at våre innovasjoner er tilgjengelige, effektive og sømløst integrert i kliniske arbeidsflyter.

Ønsker du et samarbeid med oss? Ta kontakt, så finner vi ut om vår kompetanse kan møte dine behov.

Kildehenvisninger

[1] Smistad, E. et al. in ‘Annotation Web - An open-source web-based annotation tool for ultrasound images’ (2021)

[2] Støverud, K.-H. et al. ‘AeroPath: An airway segmentation benchmark dataset with challenging pathology and baseline method’ PLOS ONE 19, (2024)

[3] Fermann, B. S. et al. ‘Cardiac Valve Event Timing in Echocardiography Using Deep Learning and Triplane Recordings’ IEEE Journal of Biomedical and Health Informatics 28, (2024)

[4] Nyberg, J. et al. ‘Deep learning improves test–retest reproducibility of regional strain in echocardiography’ European Heart Journal - Imaging Methods and Practice 2, (2024)

[5] Holden Helland, R. et al. in ‘Glioblastoma Segmentation from Early Post-operative MRI: Challenges and Clinical Impact’ Medical Image Computing and Computer Assisted Intervention – MICCAI 2024 (eds. Linguraru, M. G. et al.) (2024)

[6] ‘Learning deep abdominal CT registration through adaptive loss weighting and synthetic data generation | PLOS One’

[7] Bouget, D. et al. ‘Raidionics: an open software for pre- and postoperative central nervous system tumor segmentation and standardized reporting’ Sci Rep 13, (2023)

[8] Vyver, G. V. D. et al. ‘Regional Image Quality Scoring for 2-D Echocardiography Using Deep Learning’ Ultrasound in Medicine & Biology 51, (2025) 

 

Medarbeidere ved Medisinsk bildeanalyse