Internetowa platforma integracji danych i współpracy medycznych zespołów badawczych dla potrzeb ośrodków udarowych

Utworzenie platformy informatycznej wspomagającej prace medycznych zespołów badawczych, w szczególności w zakresie kardiografii impedancyjnej. Realizacja prac badawczych przez zespoły ma bazować na przetwarzaniu zespołowym. Platforma ma umożliwiać bezpieczne gromadzenie danych medycznych, dostęp do nich członków grupy badawczej, wspólną pracę nad analizą danych medycznych, wspomaganie pracy poprzez inteligentne wyszukiwanie informacji (semantyczne porównywanie tekstów, wyszukiwanie wykresów, obrazów i nagrań podobnych). Całość systemu powinna być zorientowana na usługi (architektura SOA). Na bazie platformy ma powstać dedykowany portal umożliwiający pracę grupową zespołom medycznym o specjalizacji z zakresu hemodynamiki. Pozyskane dane posłużą zespołom do badań nad nowymi klasyfikacjami profili hemodynamicznych. Klasyfikatory posłużą do zbudowania aplikacji pilotażowej wspomagającej pracę ośrodków udarowych w Polsce.

Informacje szczegółowe

Akronim projektu:

IPMed

Program finansujący:

Program Badań Stosowanych

Instytucja:

Narodowe Centrum Badań i Rozwoju (NCBR) (The National Centre for Research and Development)

Porozumienie:

PBS2/A3/17/2013 z dnia 2013-12-18

Okres realizacji:

2013-10-01 - 2016-09-30

Kierownik projektu:

dr inż. Tomasz Dziubich

Realizowany w:

Katedra Architektury Systemów Komputerowych

Instytucje zewnętrzne biorące udział w projekcie:

JIT Solution sp. z o.o. (Polska)

Wartość projektu:

2 420 018.00 PLN

Typ zgłoszenia:

Krajowy Program Badawczy

Pochodzenie:

Projekt krajowy

Weryfikacja:

Politechnika Gdańska

Publikacje powiązane z tym projektem

wyników na stronę:
rok:
- zaznaczony Sortuj po rok od najnowszych
- Sortuj po rok od najstarszych
tytuł:
- zaznaczony Sortuj po tytuł A-Z
- Sortuj po tytuł Z-A
cytowania:
- Sortuj po cytowania malejąco
- Sortuj po cytowania rosnąco

Filtry

wszystkich: 2

Rok 2021

Process of Medical Dataset Construction for Machine Learning-Multifield Study and Guidelines
Publikacja
- J. Cychnerski
- T. Dziubich
- Rok 2021
The acquisition of high-quality data and annotations is essential for the training of efficient machine learning algorithms, while being an expensive and time-consuming process. Although the process of data processing and training and testing of machine learning models is well studied and considered in the literature, the actual procedures of obtaining data and their annotations in collaboration with physicians are in most cases...
Segmentation Quality Refinement in Large-Scale Medical Image Dataset with Crowd-Sourced Annotations
Publikacja
- T. Dziubich
- J. Cychnerski
- Rok 2021
Deployment of different techniques of deep learning including Convolutional Neural Networks (CNN) in image classification systems has accomplished outstanding results. However, the advantages and potential impact of such a system can be completely negated if it does not reach a target accuracy. To achieve high classification accuracy with low variance in medical image classification system, there is needed the large size of the...

Pełny tekst do pobrania w serwisie zewnętrznym

wyświetlono 805 razy