Tietojenkäsittelytieteen alaan kuuluva väitöskirja tarkastetaan luonnontieteiden, metsätieteiden ja tekniikan tiedekunnassa. Tilaisuutta voi seurata Kuopion kampuksella ja verkossa.
Mikä on väitöskirjasi tutkimusaihe ja miksi se on tärkeä?
Tutkimuksessa kehitettiin syväoppimiseen perustuvia menetelmiä automaattiseen patologian tunnistamiseen kapseliendoskopian (WCE, Wireless Capsule Endoscopy) kuvista.
Kapseliendoskopia on potilaalle kivuton, kehoa avaamatta tehtävä tutkimusmenetelmä, joka tuottaa valtavan määrän kuvia. Tämä tekee kuvien manuaalisesta tarkastelusta hidasta ja altista virheille. Tutkimus esittelee muuntaja-arkkitehtuuriin (transformeriin) perustuvan reaaliaikaisen tunnistusmallin, joka parantaa tarkkuutta, nopeutta ja tulosten tulkittavuutta. Menetelmä tukee suolistosairauksien varhaista ja luotettavaa diagnosointia, vähentää lääkäreiden työkuormaa ja edistää tekoälyn kliinistä hyödyntämistä lääketieteellisessä kuvantamisessa.
Mitkä ovat tutkimuksen keskeiset tulokset?
Tutkimuksessa havaittiin, että ehdotettu muuntajapohjainen RT-DETR-malli parantaa merkittävästi patologian tunnistuksen tarkkuutta ja nopeutta kapseliendoskopiavideoissa. Malli saavutti reaaliaikaisen suorituskyvyn (jopa 270 kuvaa sekunnissa) ja korkeamman tarkkuuden kuin aiemmat mallit, kuten YOLOv3 ja Faster R-CNN.
Tulokset osoittavat, että syväoppimisen avulla voidaan saavuttaa nopea, luotettava ja kliinisesti käyttökelpoinen menetelmä suolistosairauksien tunnistamiseen kapselikuvista.
Miten tutkimuksen tuloksia voidaan hyödyntää käytännössä?
Tutkimuksen tuloksia voidaan soveltaa suoraan älykkäiden diagnostiikkatyökalujen kehittämiseen suolistosairauksien tunnistusta varten. Ehdotettu reaaliaikainen muuntajamalli (RT-DETR) voidaan integroida kapseliendoskopiajärjestelmiin, jolloin poikkeavuudet tunnistetaan automaattisesti videoanalyysin aikana. Tämä vähentää lääkärien tarkastusaikaa ja diagnostiikkavirheitä.
Sairaaloissa ja kuvantamiskeskuksissa menetelmä voi tehostaa kliinisiä työnkulkuja, ja tutkijat voivat soveltaa sitä myös muihin endoskooppisiin ja biolääketieteellisiin kuvantamistehtäviin. Lisäksi menetelmä tukee käyttöä sekä reunalaitteissa että pilvipalveluissa, mahdollistaen skaalautuvat ja reaaliaikaiset tekoälysovellukset, jotka edistävät varhaista diagnostiikkaa ja parantavat potilaiden hoitotuloksia.
Mitkä tutkimusmenetelmät ja aineistot olivat käytössä?
Tutkimuksessa yhdistettiin systemaattinen kirjallisuuskatsaus, vertailuanalyysi ja mallikehitys. Ensin analysoitiin olemassa olevia syväoppimismenetelmiä kapseliendoskopian yhteydessä. Sen jälkeen verrattiin johtavia kohteentunnistusmalleja (YOLOv3, SSD, RetinaNet ja Faster R-CNN) käyttäen Kvasir-Capsule-aineistoa COCO-muodossa. Lopuksi kehitettiin ja testattiin reaaliaikainen muuntajapohjainen RT-DETR-malli tarkkuuden, nopeuden ja kliinisen merkittävyyden osalta. Tutkimuksessa hyödynnettiin siirto-oppimista, puoliopittua oppimista ja data-augmentaatiota, ja arviointi perustui mittareihin kuten tarkkuus, recall, F1-arvo ja mAP.
FM Tsedeke Haben väitöskirja Towards Real-Time Pathology Detection in Wireless Capsule Endoscopy Imaging Based on Deep Learning (Kohti reaaliaikaista patologian tunnistusta langattoman kapselikuvantamisen avulla syväoppimisen perusteella) tarkastetaan luonnontieteiden, metsätieteiden ja tekniikan tiedekunnassa, Kuopion kampuksella perjantaina 7.11.2025 klo 12, Ca102, Canthia. Vastaväittäjänä toimii professori Robin Strand, Uppsalan yliopisto, Ruotsi, ja kustoksena professori Pekka Toivanen, Itä-Suomen yliopisto. Tilaisuuden kieli on englanti.
Lisätietoja:
Tsedeke Habe, [email protected], p. +358 45 850 7775
- Väitöstilaisuus
- Väitöskirja (PDF)
- Valokuva (tulossa)
