Large-scale Deep Learning Algorithms for Video Analysis

Målet med prosjektet var å forske på og utvikle en innovativ metode for å analysere videodata fra en medisinsk sensor, spesielt mikrosirkulasjonsvideoer, på en skalerbar måte i et klinisk miljø. Prosjektet ligger i skjæringspunktet mellom deep learning, bildeprosessering, tidlig oppdagelse av sykdom, systemarkitektur og klinisk praksis. Det fokuserte på å studere ulike metoder til objektgjennkjenning og objektsklassifisering og storskala-distribusjon av algoritmer. Målet be nådd gjennom: - Forskning på og utvikling av en ny metode innen objektgjennkjenning og objektsklassifisering for å analysere medisinske video-data av mikrosirkulasjon, og - Forskning på og utvikling av en software-arkitektur for å analysere medisinske bilder effektivt, parallellt og i sanntid. Prosjektet startet med et litteraturstudie av moderne deep learning-algoritmer, samt lansering av deep learning-algoritmer i svært begrensede miljøer, slik som kliniske miljøer. Funnene ble kombinert for å skape en AI-basert software-arkitektur som effektivt analyserer mikrosirkulasjonsbilder, og produserer resultater i sanntid.

The output of the Ph.D. will be a well-researched software architecture for AI-based, efficient, real-time, resource-limited medical image analysis specifically for microcirculation analysis. The impacts will be: - A literature review of methods used to classify and quantify capillaries, - A novel method to detect and quantify the dimensions of capillaries, - A method to detect and quantify the velocity classification of capillaries and - An open source software that can detect and classify image capillaries.

Deep learning is becoming one of the top choices for analyzing medical images. The main attribute of success is the ability of the algorithms to automate the analysis of medical images in a fast and iterable manner. Moreover, such technologies have gained momentum recently due to the development of GPU and the availability of cloud computing resources. Convolutional Neural Networks and Recurrent Neural Networks are popular architectural models in medical image analysis. However, a significant limitation of such technologies is the processing time and unexplainable inaccuracies in real-world datasets. Therefore the most critical R&D challenge is to research and develop an innovative method to analyze ODI's medical video data in a highly accurate, scalable and flexible manner. The medical video data is captured using an innovative medical device, that has reached a prototype stage. The device is a property of ODI Medical AS. The data captured by the ODI device is in the form of sessions. On average, each session contains 6000 frames that need analysis. The objectives of the Ph.D. are: - Surveying the state of the art for object detection and classification in deep learning algorithms - Researching and developing a novel method in object detection and object classification to analyze medical video data using deep learning algorithms - Surveying the state of the art for large scale deployment of deep learning algorithms - Researching and developing a novel large scale deployment for the deep learning developed - Evaluating and testing the system using a real use case involving healthcare video data received from multiple hospitals in different geographical locations.