Sirvi Autor "Ariva, Joonas, juhendaja" järgi

Nüüd näidatakse 1 - 5 5

Improving Counterfactual Image Generation for Weakly Supervised Tumour Segmentation through Theoretical and Architectural Alignment
(Tartu Ülikool, 2025) Lillemägi, Marko; Ariva, Joonas, juhendaja; Fishman, Dmytro, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
As demand grows for scalable and interpretable AI tools in medical imaging, particularly for tumour detection, weakly supervised learning has emerged as a promising solution. It enables the use of existing datasets that include diagnostic labels without requiring labour-intensive, pixel-level annotations. This thesis explores how architectural alignment can better leverage image-level labels to enhance the performance and quality of existing segmentation frameworks. The work builds upon a classifier-guided conditional generative adversarial network (GAN) pipeline that segments tumours through counterfactual inpainting. Several architectural and theoretical modifications are proposed, including the removal of architectural bias, integration of classifier features into the generator, alignment of the discriminator with anatomically paired data, and the use of relativistic GAN loss with gradient normalisation. The effectiveness of these modifications is evaluated on the Tartu University Hospital (TUH) kidney tumour dataset, which contains annotated CT scans. Results show that the proposed modifications achieve segmentation performance comparable to the baseline while reducing model constraints and cutting training time by up to two-thirds. These findings suggest that aligning model components can enhance the performance of weakly supervised pipelines that rely on indirect learning signals.
Kaugseire põhine loodusliku rohumaa ja põllumaa eristamine
(Tartu Ülikool, 2025) Gagarina, Kelli; Sepp, Tiit, juhendaja; Ariva, Joonas, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
This work focused on developing a machine learning-based classification model to identify cropland and natural grassland in satellite images from 2008 to 2012, providing an overview of land cover. The workflow included selecting appropriate datasets and model architecture, data preprocessing, and training the classification model. The final model was based on a U-Net architecture and trained using Landsat 7 satellite data. The model achieved an overall precision of 79%.
Medical Image Classification with Limited Data
(Tartu Ülikool, 2024) Manaiev, Glib; Fishman, Dmytro, juhendaja; Ariva, Joonas, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Arvutuslike meetodite edu on märkimisväärselt mõjutanud meditsiinilist kujutamist ning on aidanud kaasa piltdiagnostika vahendite arengule. Üheks keskseks väljakutseks selles valdkonnas on haiguste tuvastamine piltidelt. Selle ülesande teeb keeruliseks märgendatud andmete vähesus, mis on osalt põhjustatud asjaolust, et andmeid saavad märgendada vaid valdkonna eksperdid. Viimasel ajal on andmete nappuse probleemi proovitud lahendada juhendamata õppe meetoditega, kus kasutatakse mudelite treenimiseks märgendamata andmeid. Tavaliselt selliste metoodikate puhul eeltreenitakse mudel tehislikel ülesannetel, mille puhul kasutatakse ära piltide omadusi ja struktuuri märgenduste asemel. Seejärel peenhäälestatakse mudel väikesel märgendatud andmestikul. Vaatamata nende meetodite hiljutisele edule, on neid meditsiinilise kujutamise valdkonnas vähe uuritud, eriti meditsiiniliste piltide klassifitseerimisel. Magistritöös uuritakse erinevate juhendatamata eeltreenimismeetodite tõhusust meditsiiniliste piltide klassifitseerimisel, keskendudes eelkõige neerukasvajate tuvastamisele kompuutertomograafia piltidelt. Töö tulemused näitavad, et sellised meetodid ei paranda oluliselt mudelite täpsust. Samuti annavad tulemused ülevaate juhendamata õppe meetodite piirangutest ja võimalustest selles valdkonnas. Vastupidiselt eelnevatele ootustele juhendamata meetoditele, paistab et selliste meetoditest saadav kasu sõltub tugevalt konkreetsetest kontekstidest ja ülesannetest. Käesolev teadustöö ilmestab mudelite täpsuse parandamise keerukust meditsiinilise kujutamise valdkonnas ning rõhutab vajadust tervikliku lähenemisviisi järele nende väljakutsetega toime tulemiseks.
Text-Driven Weakly Supervised Medical Image Segmentation
(Tartu Ülikool, 2025) Injarabian, David Avedis; Fishman, Dmytro, juhendaja; Ariva, Joonas, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Medical image analysis has become an essential tool for clinical diagnosis, enabling specialists to detect, segment, and monitor various pathologies. Convolutional neural networks have traditionally dominated this field, achieving success in classification and segmentation tasks by relying solely on visual patterns. However, due to their inherent architectural limitations, they are unable to effectively incorporate complementary information such as textual reports provided by medical professionals. Recently, multimodal models, particularly Transformer-based vision-language architectures, have demonstrated promising results in general image recognition and generation tasks by effectively integrating text and visual data. Despite these advances, the potential of multimodal approaches in medical imaging, especially in the context of complex 3D volumetric data such as computer tomography scans, remains largely unexplored. This thesis investigates whether textual context provided by radiology reports can implicitly guide multimodal models to learn spatial locality in their counterpart medical images, potentially leading to emergent segmentation capabilities without explicit segmentation supervision. Such an approach could address the chronic shortage of manually annotated segmentation data, as obtaining these labels is expensive and labor-intensive. By examining how multimodal models trained on paired 3D computer tomography scans and radiology reports respond to textual prompts, the thesis seeks to understand if these models inherently learn meaningful spatial relationships. If multimodal models demonstrate implicit segmentation capabilities, they could serve as a valuable source for generating synthetic weakly supervised segmentation masks, reducing the need for costly manual annotation and supporting radiologists in clinical interpretation and triage workflows.
Weakly Supervised Segmentation in Medical Imaging: A Counterfactual Approach
(Tartu Ülikool, 2024) Shvetsov, Dmytro; Ariva, Joonas, juhendaja; Domnich, Marharyta, juhendaja; Fishman, Dmytro, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Süvaõpe on muutmas meditsiinilise piltdiagnostika valdkonda. Näiteks täiustatakse süvaõppe mudelitega patoloogiate tuvastamist kompuutertomograafia- ja röntgenpiltidelt. Kahjuks on selliste mudelite treenimine keerukas kuna need eeldavad suurte märgendatud andmestike olemasolu, mida meditsiinilise piltdiagnostika valdkonnas on raske koguda. Käesolev lõputöö proovib seda probleemi lahendada läbi nõrgalt juhendatud semantilise segmenteerimise ja seletatava tehisintellekti tehnikate. Magistritöös kirjeldatakse innovaatilist meetodit nimega kontrafaktuaalne maalimine (Counterfactual Inpainting - COIN), mille käigus pööratakse klassifitseerimismudeli prognoos meditsiinilisele pildile anomaalsest normaalseks läbi patoloogilise piirkonna “üle maalimise” (kustutamisele). Näiteks kui klassifitseerimismudel hindab pildi anomaalseks (ehk patoloogiliseks), siis COIN loob pildist võimalikult minimaalsete muudatustega kontrafaktuaalse pildi, mis pööraks ümber klassifitseerija esialgse ennustuse. Sellise meetodiga saab segmenteerida patoloogiaid vaid pildi tasemel märgenditega, hüljates nii täpsete segmenteerimismaskide kasutamise, mida on keeruline hankida. COIN mudeli tõhusust hinnati Totalsegmentori ja Tartu Ülikooli Kliinikumi kompuutertomograafiapiltide andmestikel, kus segmenteeriti sellega nii tehislike kasvajaid kui ka päris kasvajaid neerudes. Tulemused näitavad et COIN ületab oluliselt traditsioonilisi seletatava tehisintellekti meetodeid nagu ScoreCAM, LayerCAM ja RISE ja ka võrdluseks võetud tavalist kontrafaktuaalmeetodit. Need leiud kinnitavad, et COIN on paljulubav meetod neerukasvajate segmenteerimiseks kompuutertomograafia piltidel, tehes olulise edusammu sügavõppe rakendamisel tervishoiuvaldkonnas, mida piirab märgendatud andmete nappus. Väljatöötatud metoodika mitte ainult ei püüdle meditsiinivaldkonnas nõutava kõrge täpsuse poole, vaid vähendab ka sõltuvust ulatuslikest annoteeritud andmestikest, kasutades ära poolautomaatseid märgistamistehnikaid.