Samarbeta med oss
Söker du studenter till din forskargrupp eller företag och vill vara med på denna lista? Kontakta Jan-Erik Moström, studirektor vid institutionen för datavetenskap vid Umeå universitet.
Bild: Mostphotos
Det är dags att fundera på din framtid och därmed också ditt exjobb. Här listar vi några tips på forskargrupper och företag som kan vara intressanta!
Söker du studenter till din forskargrupp eller företag och vill vara med på denna lista? Kontakta Jan-Erik Moström, studirektor vid institutionen för datavetenskap vid Umeå universitet.
Open Set Learning and Anomaly Detection in Vision Tasks (15/30hp)
Vi tillkännager projekt som fokuserar på open set learning, anomali-detektering och out-of-distribution-detektering. Dessa områden är avgörande för att utveckla robusta och pålitliga algoritmer, särskilt i applikationer där förmågan att hantera oväntade eller nya indata är väsentlig. Genom att utnyttja tekniker för djupinlärning (DL) och maskininlärning (ML) syftar detta projekt till att främja den senaste utvecklingen inom vision-uppgifter, med potentiella tillämpningar inom medicinsk avbildning och robotik.
Till exempel, överväg ett robotikscenario där en autonom robot navigerar genom en dynamisk miljö. Traditionella modeller kan ha svårt med objekt som inte fanns med i träningsdatan, såsom nya möbler eller oväntade hinder. Detta projekt kommer att utforska metoder för att identifiera och hantera sådana fall, vilket säkerställer säkerhet och effektivitet när roboten ställs inför oförutsedda hinder.
Vi söker motiverade studenter som tidigare har tagit kurser i DL och datorsyn, och som ett resultat har erfarenhet av TensorFlow och/eller PyTorch. Intresse för embodied AI (när AI har en “kropp” och därmed interagerar med miljön, på samma sätt som robotar gör) är en bonus. Ideala kandidater bör ha en stark bakgrund inom dessa områden och ett stort intresse för att tillämpa ML på verkliga problem.
För mer info: Polina Kurtser polina.kurtser@umu.se
Path Planning and Object Manipulation with Industrial Robotic Arms (30hp)
Vi tillkännager ett nytt MSc-projekt som fokuserar på banplanering och objektmanipulation med industriella robotarmar. Detta projekt kommer att utnyttja förstärkningsinlärning (RL) för att lära sig sekvenser av uppgifter och potentiellt integrera stora språkmodeller (LLMs) och grundmodeller för att bryta ner stora uppgifter i mindre, hanterbara uppgifter.
Till exempel, överväg ett scenario där målet är att stapla kuber. Kommandot att “stapla kuber” kan brytas ner i mindre uppgifter som att identifiera kuberna, planera vägen för att plocka upp varje kub och placera dem i rätt ordning. Var och en av dessa mindre uppgifter kan tilldelas en poäng baserad på en RL-kostnadsfunktion, som utvärderar effektiviteten och ändamålsenligheten i uppgiftsutförandet.
Vi söker motiverade studenter med följande färdigheter och intressen:
Ideala kandidater bör ha en solid bakgrund inom dessa områden och ett stort intresse för att tillämpa avancerade AI-tekniker på verkliga industriella applikationer. Om du är passionerad för robotik och ivrig att bidra till innovativa lösningar inom industriell automation, uppmuntrar vi dig att ansöka.
För mer info: Polina Kurtser polina.kurtser@umu.se
Multimodal Machine Learning, Reasoning, and Compositional Generalization (15/30hp)
Are you interested in advancing AI systems that can reason effectively across multiple modalities, such as images and text? While current multimodal models like CLIP, LLaVa, and GPT-4v show impressive capabilities, they also suffer from reliability issues. Compositional generalization, or the ability to combine known concepts in novel ways, is one such challenge. For instance, a model should understand that the color of an object often doesn’t dictate its size. Many existing models struggle with such reasoning, relying heavily on the statistical patterns in their training data rather than a true compositional understanding of the world.
This project aims to develop multimodal models (e.g., combining language and vision) that can reason more effectively and generalize better across tasks. You will explore approaches to improve compositional generalization and/or create better evaluation frameworks for assessing these capabilities. Examples of tasks include visual question answering and visual mathematical reasoning, and possible methods to explore include neuro-symbolic methods combining neural networks with e.g. logic reasoning frameworks.
Whether you're excited about implementing new methods, evaluating existing models in novel ways, or approaching this from an interdisciplinary angle (such as cognitive science), this project offers a broad field to explore.
If any of these topics interests you, contact Adam Dahlgren Lindström at dali@cs.umu.se for more information.
Visualisering och bearbetning av atmosfärsdata (15/30 hp)
Forskare inom rymd- och geofysik står inför nya utmaningar då tredimensionellt data från radar och fotogrammetri av atmosfären och jonosfären blir tillgängligt med nya tekniker. Inom forskningsprojektet VisA utvecklas metoder och verktyg för att visualisera och tillgängliggöra denna volymetriska data för både forskare och allmänhet. De stora mängder data som produceras (både i tid och rum) medför krav på nya och effektiva algoritmer samt nya sätt att presentera resultaten. För att visualisera rymdfenomen, så som norrsken, använder vi för allmänheten open source planetarieprogramvaran OpenSpace och för att rikta oss mot forskare utvecklar vi specialiserade verktyg.
Exempel på Kandidat eller Master examensarbeten är:
Inom OpenSpace har vi ett nära samarbete med Visualiseringscenter C i Norrköping. Därför kan ett examensarbete på Master nivå göras som ett samarbetsprojekt med dem som kan inkluderar kortare eller längre vistelser i Norrköping.
För mer information
Om du tycker det verkar intressant kontakta Stefan Johansson, stefanj@cs.umu.se.
Maskininlärningsmodell för medicinsk bildanalys vid äggstockscancer
Maskininlärning har blivit mycket viktigt inom medicinska vetenskaper som verktyg för att automatisera till exempel diagnos och prognos, och att personanpassa behandling. Maskininlärning kan användas vid medicinsk bildanalys och har potentialen att kunna fungera som ett beslutsstöd vid cancerdiagnostik. I samarbete med Institutionen för strålningsvetenskaper, Diagnostisk radiologi, och Norrlands Universitetssjukhus, Bild- och funktionsmedicin, planerar vi att sätta upp en maskininlärningsmodell för standardiserad klassifikation av misstänkt äggstockscancer på magnetresonanstomografi (MR). Vi letar därför efter examensstudenter som är intresserade av att vara delaktiga i att utveckla en sådan modell utifrån lokalt annoterat bildmaterial. Metoden kommer så småningom att valideras på ett nyinsamlat material från en studie där inklusionen är påbörjad och planeras pågå mellan 2023-2027.
För mer information
Om detta låter som något för dig, vänligen kontakta Tommy Löfstedt, universitetslektor vid institutionen för datavetenskap via e-post: tommy@cs.umu.se för mer information om detta, och andra potentiella projekt.
Högpresterande Riemann-optimering av TTN (30hp)
Vid maskininlärning är en intressant paradigm att träna modeller baserade på Tree Tensor Networks (TTN) genom Riemann-optimering (se https://doi.org/10.1088/1367-2630/ac0b02). Med den här tekniken, med ursprung i differentialgeometrin, kan en optimera hela nätverket på en gång, vilket möjliggör en direkt implementation av olika gradient-metoder och stokastiska gradient-metoder. Dessutom kan antalet modellparametrar dynamiskt justeras för att förbättra konvergensen och motverka överanpassning. Från ett teknisk perspektiv handlar Riemann-optimering delvis om datamanipulation i form av att stapla tensorer på varandra, vilket i dag inte fungerar så bra i de flesta programbiblioteken för tensorberäkningar.
Mer info
https://hpac.cs.umu.se/~pauldj/tmp/MS_thesis-TTNRiemann.pdf
Kontakta Paolo Bientinesi pauldj@cs.umu.se
Högpresterande TTN-kontraktion för maskininlärning i realtid (30hp)
Inferens med en maskininlärningsmodell baserad på Tree Tensor Networks (TTN) genomförs via kontraktioner av nätverket med en (tensoriserad) del av datamängden. Den här kontraktionen kan genomföras på många olika sätt och går att parallellisera och effektivisera på annat sätt, t.ex.:
En optimal strategi för snabb inferens är ytterst viktigt i alla ML-scenarion, men särskilt när ML-modeller används i realtids-tillämpningar. Några prominenta applikationsområdena är: Objekt-detektering i självkörande fordon, on-line databearbetning i fabriker, finansiell analysis med big data, etc.
Mer info
https://hpac.cs.umu.se/~pauldj/tmp/MS_thesis-TTNContraction.pdf
Kontakta Paolo Bientinesi pauldj@cs.umu.se
Xjobb inom programvaruutveckling eller datorsäkerhet? (15/30hp)
I forskningsgruppen för programvaruutveckling och datorsäkerhet försöker vi förbättra kvalitén på mjukvara genom att identifiera och eliminera svagheter genom hela livscykeln - från design och implementation till leverans och drift. Vi utvecklar verktyg och metoder för att analysera, testa och förstå mjukvara, men även för att hitta/skydda kod från buggar och förebygga attacker. Vår forskning påverkar direkt system som används i samhället: Covid-tester kan läcka personuppgifter
Vår forskning är fokusera på olika ämnen inom programvaruutveckling och datorsäkerhet, t.ex.:
Planerar du att göra ditt xjobb, både 15hp och 30hp, inom programvaruutveckling och/eller datorsäkerhet? Kontakta då Prof. Alexandre Bartel: alexandre.bartel@cs.umu.se or 072 208 73 56.
Intelligent Robotics Research Group vid Umeå universitet utvecklar formella och informella metoder för intelligent robotbeteende – exempelvis visuell uppfattning och naturlig språkanvändning. Vi är intresserade av algoritmutveckling, interaktions- och designstudier och söker dig som vill arbeta inom robotik/AI, är en fena på att kommunicera och trivs med att arbeta i grupp.
För mer information
Vänligen kontakta Thomas Hällström, professor vid institutionen för datavetenskap, via e-post: thomash@cs.umu.se så diskuterar vi ett passande avhandlingsarbete (30hp).
Maskininlärning har blivit mycket viktigt inom medicinska vetenskaper som verktyg att automatisera till exempel diagnos och prognos, och att personanpassa medicin och behandlingar. Maskininlärning används till exempel vid medicinsk bildbehandling för att automatisera delar av strålbehandlingsplaneringen efter en cancerdiagnos. Vår forskargrupp är nyfikna på vad som som exakt lärs om specifika patienter när man bygger djupa faltningsnätverk för medicinska bildtillämpningar. Eftersom modeller som tränats på patientdata ofta delas fritt online finns det potentiella integritetsfrågor som vi för närvarande inte helt förstår. Vi letar därför efter examensstudenter som är intresserade av dessa frågor.
För mer information
Om detta låter som något för dig, vänligen kontakta Tommy Löfstedt, universitetslektor vid institutionen för datavetenskap via e-post: tommy@cs.umu.se för mer information om detta, och andra potentiella projekt.
The Responsible Artificial Intelligence Group är särskilt intresserade av att studera den etiska och samhälleliga effekten av AI och utveckla verktyg och metoder för att mildra negativa effekter, liksom agenter som bättre kan interagera till människor och samhällen. Vi är öppna för en mängd olika förslag, alltifrån etiska bedömningar, till att använda våra designmetoder och verktyg för konkreta tillämpningar; från hård programvara för demonstrationer till vetenskaplig verksamhet. Exempelvis utvecklar vi en kognitiv komponent för att hantera ångest och hur man kan undvika detta, och här strävar vi nu efter att göra en tilltalande demo. Vad händer t ex om vi skulle utöka ett videospel med en orolig karaktär? Eller om man gör ett häftigt VR-spel där spelaren kan hantera den stressnivå som hen troligen kommer att möta, istället för "svårighetsgrad" i spelet?
För mer information
Vänligen kontakta Loïs Vanhée universitetslektor vid institutionen för datavetenskap via e-post: lois.vanhee@umu.se så pratar vi vidare.
Deep Data Mining Group har arbetat med multimodal heterogen dataanalys och datafederation genom att tillämpa teknikerna för textanalys, informationshämtning, naturlig språkbehandling, maskininlärning och differentiell integritet. Det huvudsakliga forskningsämnet är datadrivet och applikationsorienterat såsom enhetsbaserad social nätverksanalys (t.ex. känslor, känslor, politisk syn etc.), personlig integritetsanalys och ontologibaserad kunskapsgrafkonstruktion etc. Dessutom har gruppen flera kopplingar till industrin och den akademiska världen som är intresserade av att samhandleda masteruppsatsprojekt, där vi kan genomföra intressant AI-tvärvetenskaplig forskning (t.ex. spårning och inferens av Covid-pandemihändelser, medicinsk screening, energiförbrukning och anomaliprognos, genetik & hälso- och sjukvård etc.). Vi vill gärna ha en diskussion med dig om vad som kan vara ett lämpligt examensarbete för just dig.
För mer information
Om du är intresserad är du välkommen att kontakta Lili Jiang, docent vid institutionen för datavetenskap via e-post: lili.jiang@cs.umu.se om ett lämpligt examensarbete.
Autonomous Distributed Systems Lab: Gruppens huvudfokus är nya moln/edge-teknologier med förbättrad prestanda med hjälp av AI för den databehandling som krävs för att stödja framtida hyperdistribuerade applikationer. Baserat på ett sådant moln/edge undersöker vi datamarknader och dataekonomi; vi letar därför efter studenter som vill göra sitt examensarbete (30 hp) i vår grupp. Mer specifikt har vi flera öppningar inom:
a) Datamarknader som gör det möjligt att upptäcka datatillgångar, effektivt och rättvist prissatta och delas / handlas på ett kompatibelt sätt.
b) Skalbar och AI-driven datahantering för datainvändbarhet i olika sammanhang, som täcker data provenens, datakvalitetshantering, förbättrad datakompatibilitet och metadatahantering.
För mer information
Kontakta Antonio Seo, eunil.seo@cs.umu.se, för att diskutera/definiera ett examensarbete.
Vid träning av djupa neuronnätsmodeller i maskininlärning så använder man ofta olika varianter av stokastiska gradientmetoden. En hypotes om varför djupa neuronnät kan generalisera så väl som de gör, trots att de typiskt har många gånger fler parametrar än träningsdata, är just användningen stokastiska gradientmetoden. Hypotesen säger att med stokastiska gradientmetoden föredras vida lokala minima över smala lokala minima, att stokastiska gradientmetoden har förmågan att "skaka sig ur" lokala minimima om de är för smala.
Målet med detta projekt är att undersöka olika sätt som stokastiska gradientmetoden kan fungera som en form av regularisering av modellen, dvs. hur den kan motverka modellens tendens att överanpassa till träningsdatat. Det finns flera olika sätt att testa detta, och projektet innebär implementation och testning av ett antal olika varianter och jämföra teoretiska och praktiska resultat.
För mer information
Om detta låter intressant, kontakta Tommy Löfstedt, universitetslektor vid Institutionen för datavetenskap, via e-post: tommy@cs.umu.se för mer information om detta, och andra potentiella projekt.
Högpresterande kärnor för tensorberäkningar (30hp)
I en tidigare undersökning så identifierade vi att samma arbete utfördes på flera platser. Trots betydelsen av tensorer, och den stora användningen, så saknas ett bibliotek motsvarade BLAS. Med detta projekt så vill vi skapa ett konkret förslag för en uppsättning av högpresterande kärnor som kan användas i de områden där beräkningar sker med hjälp av tensorer. Exempel på områden finns från maskininlärning, data science till computational chemistry och computational mechanics.
Artikel refererad ovan "The landscape of software for tensor computations"
För mer information
Kontakta Paolo Bientinesi, pauldj@cs.umu.se, 0720 856 180 för mer information.
MatchC: ett C/C++ bibliotek för mönstermatchning (30hp)
Mathematica (Wolfram) erbjuder den mest avancerade mönstermatchningen i något programspråk. Ett motsvarade bibliotek i C/C++ skulle, även om det vore begränsat i egenskaper och funktionalitet, vara ett extremt användbart byggblock för ett stor mängd applikationer. Målet med detta projekt är att utveckla ett högpresterande bibliotek för mönstermatchning, med associativa och kommutativa operatorer med begränsningar, såväl som enstaka och multipla matchningar (liknande ./+/* i reguljära uttryck) samt parallelism i delat minne.
Vi har tidigare utvecklat MatchPy som är ett Python-bibliotek för mönstermatchning. MatchPy utgör en naturlig startpunkten och referens för detta projekt. Se även "Efficient Pattern Matching in Python"
För mer information
Kontakta Paolo Bientinesi, pauldj@cs.umu.se, 0720 856 180 för mer information.
Cybersecurity + Distributed/Tiny/Machine Learning + Computer Systems (15 ECTS/30 ECTS)
Se den engelska sidan för mer info
X-jobb inom Cloud Computing
Elastisys är en pionjär inom molntjänster som hjälper företag att utveckla viktig mjukvara snabbare, utan att tumma på säkerhet och regelefterlevnad i applikationer eller datalagring. Vi utvecklar och tillhandahåller produkter och tjänster för robusta, högpresterande och kostnadseffektiva molnapplikationer inom DevOps, Kubernetes och bidrar aktivt till Open source Communityt.
Företaget grundades år 2011 av forskare från Institutionen för datavetenskap och UMIT Research Lab vid Umeå universitet. Vi är ett internationellt företag som har kontor i Umeå och Lund. Hos oss arbetar både juniora ingenjörer varav många skrivit exjobb hos oss, men också seniora ingenjörer där flera har doktorsexamen i molnteknik.
Vi söker dig som är intresserad av molnteknik och nyfiken på att utforska det området tillsammans med oss. På Elastisys får du möjlighet att växa och arbeta med passionerade människor som bryr sig om dig.
Anmäl dig gärna till vårt studentevent som hålls i Oktober där vi kommer informera mer om vad X-jobb hos oss innebär. Anmälan sker via länken: https://forms.gle/ubTWPzxF1nbVaUdo6
Kontakta victoria.forsen@elastisys.com om du har några frågor.
Identifiering av duplikat av problemrapporter - Uttnyttjande av maskininlärning för effektiv ärendehantering
I stora system som radio access nätverket genereras mängder av rapporter när problem uppstår.
Många av dessa rapporter kan ha samma grundorsak, vilket resulterar i många dubbletter som kräver onödig analys.
Målet med denna avhandling är att utveckla en algoritm för maskininlärning (ML) som kan lära sig av tidigare rapporter och avgöra om en ny rapport sannolikt är en kopia av ett tidigare.
Genom hela denna avhandling kommer du att samarbeta nära med andra experter inom AI/ML för att utforma en lösning som syftar till att förbättra den nuvarande rapporthanteringsverktyget.
För mer info kontakta Tobias Sundqvist tobias.sundqvist@tietoevry.com
+46 70 323 64 15
Utveckling av programvarusystem för bioinformatik
Se den engelska versionen av denna sida för detaljerad info
För- och nackdelar med att använda Microsoft Orleans istället för ett grid-baserat monolitiskt system (30hp)
Det finns många utmaningar med att utveckla komplexa distribuerade system: skalbarhet, concurrency, tillförlitlighet, prestanda och feltolerans. En “virtual actor model” kan potentiellt lösa alla alla dessa utmaningar.
Målet med detta projekt är att undersöka fördelarna och begränsningarna med att gå från ett delvis grid-baserat monolitiskt system till ett system som använder Microsoft Orleans.
En fungerande prototyp kommer att implementeras baserat på de verkliga utmaningarna med ett komplext distribuerat system med höga krav på hastighet, miljontals uppdateringar varje minut, och tusentals kunder över hela världen.
Om detta låter intresasant, kontakta Simon Renström, grundare av RebelBetting på simon@rebelbetting.com.
Bildbehandling och djup maskininlärning på tomografidata av fosforinnehållande askor
Övergången till ett hållbart samhälle kräver effektiv användning av material och energi, där återvinning av näringsämnen är en viktig del. Fosfor är ett viktigt näringsämne som idag endast återvinns i små mängder. Detta skulle kunna förbättras genom resursåtervinning från restfraktioner som aska eller biokol som bildas vid termisk omvandling av samhälleliga avfallsströmmar. Det övergripande syftet med vår forskning är att förbättra kunskapen om askans kemiska och fysikaliska egenskaper som mikrostruktur, porositet och ytarea och studera hur dessa kan påverka tillgången på näringsämnen om askan används som gödningsmedel.
Projektet syftar därför till att ta fram verktyg för att analysera tomografidata med så kallad ”deep learning”. Datortomografi ger en 3D-avbildning av ett prov och med hjälp av avancerad bildbehandling kan detaljerade egenskaper hos provet fås fram. För detta kan djup maskininlärning spela en viktig roll för att effektivisera och förbättra prestandan i datautvärderingen. Målet med projektet är att ta fram en interaktiv segmentering och utvärdera dess prestanda, genom jämförelse med manuell segmentering och tillämpbarhet på olika prover.
För mer information
Om detta låter intressant, kontakta Anna Strangberg, vid Institutionen för tillämpad fysik och elektronik, via e-post: anna.strandberg@umu.se för mer information.
Användning av maskininlärningsmetoder för att identifiera mönster av plantor som svar på torkabehandling med hjälp av time-lapse-bilder
Målet med det föreslagna projektet är att använda ML-verktyg för att lära sig förutsägande mönster av respons på torka i tallplantor som exponeras för torka med hjälp av tidsförloppsbilder. Maskininlärning (ML) metoder som djupinlärning, elastiskt nät och lasso har testats för att träna modeller för organismer och objektigenkänning. Fokus inom detta projekt är att träna ML-modeller för att identifiera mönster för förändringar av tallfröplantor som svar på torka. Modellträning kommer att göras på bilder som erhållits genom time-lapse-avbildning under processen med torkabehandling.
För mer information
Om detta låter intressant, kontakta Rosario Garcia Gil, vid Institutionen för fysiologisk botanik, via e-post: m.rosario.garcia@slu.se för mer information.
Träning av maskininlärningsmetoder för tolkning av genetiska effekter på trädegenskaper
Utveckling av kostnadseffektiv DNA-sekvenseringsteknologi erbjuder möjligheten att generera genomdata för tusentals individer, vilket öppnar möjligheten att tillämpa maskininlärningsmetoder för att skapa prediktiva relationer mellan en organisms genotyp och fenotyp. I en nyligen genomförd studie på jäst, ris och vete fann man att nästan alla standardmetoder för maskininlärning överträffade metoderna från klassisk statistisk genetik. Målet med det föreslagna projektet är att utveckla en effektiv maskininlärningsmetod för att lära sig prediktiva samband mellan exomets genomdata (genomisk DNA-information) och granars tillväxt och vedegenskaper.
För mer information
Om detta låter intressant, kontakta Rosario Garcia Gil, vid Institutionen för fysiologisk botanik, via e-post: m.rosario.garcia@slu.se för mer information.
Vill du arbeta tvärvetenskapligt med medicinsk teknik på Region Västerbotten? (15/30 HP)
MT-FoU bedriver forskning, utveckling och utbildning i nära samarbete med sjukvården. Ett flertal forskningsprojekt pågår där du kan göra ett examensarbete om 15 eller 30hp. Medicinteknik är ett tvärvetenskapligt område och examensarbeten är möjliga inom exempelvis fysik, elektronik, datavetenskap, interaktion och design, fysioterapi och medicin. Exjobb baseras på kliniska behov och aktuella frågeställningar inom pågående forskningsprojekt. Arbetet inkluderar ofta utveckling av hård- och mjukvara för att mäta, analysera eller simulera fysiologiska signaler.
För mer information
Vänligen kontakta Helena Grip, Sjukhusingenjör, docent i medicinsk teknik och adjungerad universitetslektor, inriktning mot medicinsk teknik och rörelseanalys, via e-post: helena.grip@regionvasterbotten.se eller telefon: 090-785 40 29
Evity är en startup från Umeå som utvecklar ett HR-verktyg för små och medelstora företag. Vi använder automation och formulärverktyg för att skapa nyckeltal och processer i verktyget. Nu söker vi en student som vill arbeta i .net inom Azure där vi kan hitta ett samarbete för att utveckla nya features eller förbättra befintliga. Vi är ett internationellt team med co-founder och CTO från Nya Zeeland. Läs mer om oss på www.evity.hr.
För mer information
Vänligen kontakta VD Tommy Eriksson, Evity på telefon: 070-696 70 22 eller e-mail: tommy@evity.hr
NONPI Medical AB utvecklar och implementerar programvaruverktyg för medicinsk bildanalys. Det föreslagna projektet fokuserar på djupinlärningsmetoder för medicinsk bildbehandling, t.ex. tumörsegmentering, superupplösning eller snedvridningskorrigering.
Det finns många olika ramverk att välja mellan för implementering av djupinlärningsmodeller, vilket är bra för utveckling och forskning, men detta delar samtidigt också upp fältet och publicerad kod i fraktioner, beroende på vilket ramverk som användes. Resultatet blir att fältet är uppdelat och resultaten blir svåra att reproducera mellan användare av olika ramverk. En öppen källkodstandard för maskininlärningsmodeller har upprättats (ONNX), men detta är ännu inte ett vanligt använt format och speciellt inte inom forskning och utveckling av medicinsk bildbehandling.
För att hjälpa till att sprida utvecklade modeller och ONNX-formatet letar vi för närvarande efter magisteruppsatsstudent(er) (30hp) som vill skapa en öppen källkodssamling med toppmoderna djupinlärningsmodeller och metoder för användning inom medicinsk bildanalys. Vi tänker främst på sådana som vunnit större tävlingar, toppmoderna modeller och modeller från välciterade forskningsartiklar.
Projektet består i att samla in och kategorisera förtränade djupinlärningsmodeller, konvertera dem från flertalet olika format till ONNX-formatet och testa dem på medicinska bilddata i MICE Toolkit, en mjukvara för medicinsk bildanalys som utvecklas av NONPI Medical AB.
För mer information
Om du är intresserad av att lära dig mer om projektet eller hur vi använder avancerade djupinlärningsmodeller, vänligen kontakta: attila@nonpimedical.com
NONPI Medical AB utvecklar och implementerar programvaruverktyg för medicinsk bildanalys. Det föreslagna projektet fokuserar på utveckling av verktyg för att designa, förändra och träna djupinlärningsmodeller samt hela maskininlärningspipelines för medicinsk bildbehandling, såsom t.ex. för tumörsegmentering, superupplösning eller snedvridningskorrigering.
Det finns ett stort intresse inom t.ex. strålbehandling att använda djupa maskininlärningsmodeller, men många inom detta fält saknar rätt bakgrund för att göra ingående förändringar i befintliga modeller, eller för att utveckla egna modeller från grunden. Med detta som bakgrund har NONPI Medical AB utvecklat ett grafiskt verktyg för att definiera arkitekturen till djupinlärningsmodeller. Det befintliga verktyget är däremot byggt ovanpå Python, vilket tillför ett extra lager av komplexitet då det övriga programmet är skrivet i C#, samt problem när det underliggande djupinlärningsramverket förändras.
I detta projekt är målet att utvärdera olika metoder för att bygga djupinlärningsmodeller i C#, samt att hitta effektiva grafalgoritmer för att exekvera olika steg i en maskininlärningskedja på tillgängliga hårdvaruresurser.
Målet med dessa utvecklingar är att hjälpa till att möjliggöra användningen av befintliga djupinlärningsmodeller, samt att göra det möjligt för fler att kunna utveckla egna samt förändra och förbättra befintliga modeller och hela maskininlärningspipelines. NONPI Medical AB letar därför för närvarande efter magisteruppsatsstudent(er) (30hp) som vill utveckla sådana verktyg för användning inom medicinsk bildanalys.
För mer information
Om du är intresserad av att lära dig mer om projektet eller hur vi använder avancerade djupinlärningsmodeller, vänligen kontakta: attila@nonpimedical.com
AI för att förstå storskalig biologisk data
MIMS har med Johan Henrikssons forskargrupp etablerat ett nytt lab för att skapa single-cell data. Med denna metod så kan tusentals (rentav miljontals) celler mätas, en i taget. Den enorma datan gör det möjligt att ta ett nytt grepp för att förstå biologin där AI används för att bryta ner mätningarna till begripliga bestånsdelar.
Detta kommer med datalogiska utmaningar, från "hur kan vi med AI hitta en komprimerad datarepresentation?" till "hur hanterar vi effektivt flera terabyte med gles data?". Precis som partikelacceleratorn i CERN kräver biologin nu att vi löser avancerade datalogiska problem innan vi ens kan fundera på de biologiska frågorna.
Vi söker exjobbare på alla nivåer, från de som vill ta skapligt avgränsade problem till de som vågar försöka ge sig på helheten. Det är bra om du vill lära dig lite biologi. Python är numer vårt standardspråk, men vi använder även R, Java och C/C++ när situationen kräver det.
För mer information
Vänligen kontakta Johan Henriksson, forskare vid MIMS. Se även vår hemsida, www.henlab.org
Ericsson Internship/masteruppsats: Automatisk segmentering för semantisk SLAM-dataset
Läs mer på den engelska sidan.