Author: System Published at: 15.04.2020
Inicjatywa Doskonałości – Uczelnia Badawcza
W ramach programu Inicjatywa Doskonałości – Uczelnia Badawcza JM Rektor Politechniki Śląskiej, prof. dr hab. inż. Arkadiusz Mężyk, przyznał Jakubowi Nalepie (adiunktowi w Katedrze Algorytmiki i Oprogramowania) 2 granty za publikacje w czasopismach TOP10 i stypendium za publikację wydaną we współpracy z autorem reprezentującym partnera nieakademickiego, dotyczącą analizy obrazów hiperspektralnych i medycznych.
Automatyczna analiza obrazów hiperspektralnych, które mogą zostać zarejestrowane na pokładzie satelity, jest zagadnieniem trudnym ze względu na ich wysoką wymiarowość danych, rozmiar czy możliwe zaszumienie. Dr inż. Jakub Nalepa i in., w swoich ostatnich pracach z tego zakresu zaprojektowali techniki automatycznego dogenerowywania (augmentacji) danych oraz oceny istotności poszczególnych pasm w takim obrazowaniu z wykorzystaniem głębokich sieci konwolucyjnych. Algorytmy te mogą nie tylko ułatwić zastosowanie technik uczenia głębokiego do efektywnej analizy tego rodzaju danych, ale też mogą pozwolić istotnie zredukować rozmiar danych przesyłanych z satelity, a tym samym wyraźnie zredukować koszt przesyłu (a często go umożliwić).
Prace dr. Jakuba Nalepy objęły także opracowanie systemu opartego o uczenie głębokie do automatycznej analizy obrazowania zmian nowotworowych głowy z wykorzystaniem obrazowania rezonansem magnetycznym po wzmocnieniu kontrastowym. Automatyczne przetwarzanie takich danych pozwala na zapewnienie pełnej powtarzalności analizy i wyraźne skrócenie czasu ekstrakcji biomarkerów z danych MRI.
Poniżej dostęp do pełnych tekstów publikacji:
1. Jakub Nalepa, Michał Myller, Michał Kawulok: Training- and test-time data augmentation for hyperspectral image segmentation, IEEE Geoscience and Remote Sensing Letters 2020 vol. 17 iss. 2, s. 292-296, 2020. Impact factor: 3,534; punktacja MNiSzW: 140. Link: https://ieeexplore.ieee.org/document/8746168
2. Pablo Ribalta Lorenzo, Łukasz Tulczyjew, Michał Marcinkiewicz, Jakub Nalepa: Hyperspectral band selection using attention-based convolutional neural networks, IEEE Access, vol. 8 s. 42384-42403, 2020. Impact factor: 4,098; punktacja MNiSzW: 100. Link: https://ieeexplore.ieee.org/document/9019632
3. Jakub Nalepa, Pablo Ribalta Lorenzo, Michał Marcinkiewicz, Barbara Bobek-Billewicz, Paweł Wawrzyniak, Maksym Walczak, Michał Kawulok, Wojciech Dudzik, Krzysztof Kotowski, Izabela Burda, Bartosz Machura, Grzegorz Mrukwa, Paweł Ulrych, Michael P. Hayball: Fully-automated deep learning-powered system for DCE-MRI analysis of brain tumors, Artificial Intelligence in Medicine 2020 vol. 102, art. no. 101769 s. 1-21, 2020. Impact factor: 3,574; punktacja MNiSzW: 100. Link: https://www.sciencedirect.com/science/article/pii/S0933365718306638?via%3Dihub
Automatyczna analiza obrazów hiperspektralnych, które mogą zostać zarejestrowane na pokładzie satelity, jest zagadnieniem trudnym ze względu na ich wysoką wymiarowość danych, rozmiar czy możliwe zaszumienie. Dr inż. Jakub Nalepa i in., w swoich ostatnich pracach z tego zakresu zaprojektowali techniki automatycznego dogenerowywania (augmentacji) danych oraz oceny istotności poszczególnych pasm w takim obrazowaniu z wykorzystaniem głębokich sieci konwolucyjnych. Algorytmy te mogą nie tylko ułatwić zastosowanie technik uczenia głębokiego do efektywnej analizy tego rodzaju danych, ale też mogą pozwolić istotnie zredukować rozmiar danych przesyłanych z satelity, a tym samym wyraźnie zredukować koszt przesyłu (a często go umożliwić).
Prace dr. Jakuba Nalepy objęły także opracowanie systemu opartego o uczenie głębokie do automatycznej analizy obrazowania zmian nowotworowych głowy z wykorzystaniem obrazowania rezonansem magnetycznym po wzmocnieniu kontrastowym. Automatyczne przetwarzanie takich danych pozwala na zapewnienie pełnej powtarzalności analizy i wyraźne skrócenie czasu ekstrakcji biomarkerów z danych MRI.
Poniżej dostęp do pełnych tekstów publikacji:
1. Jakub Nalepa, Michał Myller, Michał Kawulok: Training- and test-time data augmentation for hyperspectral image segmentation, IEEE Geoscience and Remote Sensing Letters 2020 vol. 17 iss. 2, s. 292-296, 2020. Impact factor: 3,534; punktacja MNiSzW: 140. Link: https://ieeexplore.ieee.org/document/8746168
2. Pablo Ribalta Lorenzo, Łukasz Tulczyjew, Michał Marcinkiewicz, Jakub Nalepa: Hyperspectral band selection using attention-based convolutional neural networks, IEEE Access, vol. 8 s. 42384-42403, 2020. Impact factor: 4,098; punktacja MNiSzW: 100. Link: https://ieeexplore.ieee.org/document/9019632
3. Jakub Nalepa, Pablo Ribalta Lorenzo, Michał Marcinkiewicz, Barbara Bobek-Billewicz, Paweł Wawrzyniak, Maksym Walczak, Michał Kawulok, Wojciech Dudzik, Krzysztof Kotowski, Izabela Burda, Bartosz Machura, Grzegorz Mrukwa, Paweł Ulrych, Michael P. Hayball: Fully-automated deep learning-powered system for DCE-MRI analysis of brain tumors, Artificial Intelligence in Medicine 2020 vol. 102, art. no. 101769 s. 1-21, 2020. Impact factor: 3,574; punktacja MNiSzW: 100. Link: https://www.sciencedirect.com/science/article/pii/S0933365718306638?via%3Dihub
News
Show all
Show more
Events
Show all
