Główni prelegenci X spotkania SIGML

Tytuł prezentacji

Zdalna diagnostyka medyczna z wykorzystaniem metod AI

Nota Biograficzna

Stopień doktora uzyskał w dyscyplinie informatyka w 2002, habilitację (2016) i tytuł naukowy profesora (2022) w dyscyplinie inżynieria biomedyczna. Od 2017 roku kieruje Katedrą Inżynierii Biomedycznej na Politechnice Gdańskiej (https://eti.pg.edu.pl/KIBM). Spędził prawie dwa lata pracując nad projektami poza krajem, głównie w instytucjach europejskich (m.in. Vrije Univ. Bruksela, Univ. degli Studi de Firenze, Univ. Polit. de Catalunya,). Posiada również doświadczenie praktyczne zdobyte w czasie pracy w centrum klinicznym, gdzie pracował około dwa lata (Zakład Radiologii, Akademia Medyczna w Gdańsku).

W pracach badawczych zajmuje się głównie obrazowaniem medycznym, przetwarzania obrazów, rozwojem i zastosowaniem sztucznej inteligencji oraz metodami interakcji człowiek-system. Był koordynatorem lub głównym wykonawcą w ok. 20 projektach, które otrzymały wiele nagród, w tym „best paper”, za innowacje (> 25 nagród i medali), a także nagrodę A. G. Kantsiosa. Współpracował lub współpracuje z firmami, m.in.: Intel (San Diego, USA), Sima.AI (San Jose, USA), Zitec (Rumunia), Oculaudio (Norwegia), OKE, BrainScan, Lab4Life, itd.
Jest autorem ponad 280 prac naukowych i raportów (m.in. Eur. J. of Radiology, Brithish J. of Radiology, IEEE Trans. on Biomedical Eng., Scientific Reports, CVPR, MICCAI). 

Obecnie kieruje projektami WODIA (EU PerMed) oraz BE-LIGHT (EU MSCA-DN) związanymi z rozwojem sztucznej inteligencji w diagnostyce medycznej. Kieruje również zespołem badawczym w ramach projektu CAISE (UE, KPO), którego celem jest opracowaniem usług chmurowych, w szczególności wspierających rozwój produktów medycznych z zastosowaniem AI. Przez wiele lat był ekspertem PKN w zakresie informatyki medycznej oraz delegatem do CEN Health Infromatics. Kierował komitetami konferencji i szkół letnich (m.in. Human System Interaction (IEEE IES), Int. Summer School on Deep Learning).
Jest członkiem Komitetu Biocybernetyki i Inżynierii Biomedycznej PAN, Przewodniczącym Rady Naukowej Polskiego Stowarzyszenia Sztucznej inteligencji, prezesem klubu AI BAY Zatoka Sztucznej Inteligencji oraz członkiem rad dyscyplin na Politechnice Gdańskiej: informatyki technicznej i telekomunikacji oraz inżynierii biomedycznej.

Tytuł prezentacji

Benchmark metod oceny niepewności segmentacji obrazów medycznych

Abstrakt

Metody deep learning (DL) rewolucjonizują różne dziedziny nauki i techniki, wśród nich również medycynę. Jednym z kluczowych obszarów wykorzystania DL w medycynie jest automatyzacja segmentacji obrazu, która jest kluczowym elementem medycznej diagnostyki obrazowej, czy planowania radioterapii. Jednak obrazy medyczne są często niejednoznaczne i ich segmentacja stanowi wyzwanie nawet dla ekspertów radiologów. Oznacza to, że modele segmentacji, które miałyby być wykorzystane w warunkach klinicznych, muszą dostarczać nie tylko segmentacji, ale również oceniać niepewność segmentacji. W trakcie prezentacji przedstawione zostaną wyniki badań porównawczych nad metodami oceny niepewności segmentacji. W badaniach porównano trzy podejścia DL do oceny niepewności, pozwalające na ocenę równocześnie dwóch rodzajów niepewności: wynikającej z ograniczoności zbioru danych i z losowości obecnej w zbiorze danych. Modele oceniono w oparciu o cztery publicznie dostępne zbiory danych. Dla każdego zbioru danych były dostępne przynajmniej trzy manualne oznaczenia segmentowanych struktur, co pozwoliło na sprawdzenie, czy wielokrotne oznaczenia poprawiają dokładność oceny niepewności segmentacji. Z przeprowadzonych badan wynika, że wybór architektury nie wpływa istotnie na dokładność oceny niepewności segmentacji. Wielokrotne oznaczenia również nie są niezbędne, aby tą niepewność dokładnie ocenić.

Nota biograficzna

Zbisław Tabor jest pracownikiem Katedry Biocybernetyki i Inżynierii Biomedycznej WEAIiIB AGH od 2019 r. Zajmuje się zastosowaniem metod analizy obrazu, metod statystycznych i metod uczenia maszynowego w projektowaniu algorytmów i aplikacji wspierających procedury medyczne m.in. w radiologii i radioterapii

Tytuł prezentacji

AI4PL DMS: Zwiększenie skuteczności systemów monitorowania jazdy poprzez wykorzystanie danych z kamer neuromorficznych i poprawę reprezentatywności zbiorów danych

Abstrakt

Prezentacja przedstawia najnowsze wyniki uzyskane w ramach projektu AI4PL, koncentrując się na systemach monitorowania kierowców opartych na sztucznej inteligencji. Zostaną omówione zaawansowane metody wykorzystujące systemy wizyjne, w tym tradycyjne kamery oraz kamery neuromorficzne oparte na zdarzeniach. Szczególny nacisk zostanie położony na reprezentatywność danych w algorytmach uczenia maszynowego, aby zwiększyć skuteczność systemów monitorowania jazdy.

Nota biograficzna

dr hab. inż. Paweł Skruch, prof. ucz. jest specjalistą w dziedzinie automatyki i robotyki, z bogatym doświadczeniem akademickim i przemysłowym. Jest absolwentem Wydziału Elektrotechniki, Automatyki, Informatyki i Elektroniki Akademii Górniczo-Hutniczej im. St. Staszica w Krakowie, gdzie w 2001 roku ukończył studia magisterskie z wyróżnieniem. W 2006 roku uzyskał stopień doktora nauk technicznych w dyscyplinie automatyka i robotyka, również z wyróżnieniem, a w 2016 roku stopień doktora habilitowanego w tej samej dyscyplinie naukowej. Obecnie dr hab. inż. Paweł Skruch jest zatrudniony w Katedrze Automatyki i Robotyki AGH na stanowisku profesora uczelni, gdzie kieruje Zespołem Systemów Dynamicznych i Teorii Sterowania. Posiada ponad 20-letnie doświadczenie w projektowaniu i wdrażaniu systemów automatyki. Jego działalność naukowa i badawcza koncentruje się na opracowywaniu zaawansowanych systemów sterowania, które mają zastosowanie zarówno w przemyśle, jak i w rozwoju technologii pojazdów autonomicznych. Dr hab. inż. Skruch jest aktywnym członkiem wielu krajowych i międzynarodowych towarzystw naukowych i organizacji, w tym IEEE, INCOSE, PAU oraz PTM. Jest głównym wykonawcą i współwykonawcą licznych projektów ministerialnych i międzynarodowych.

Tytuł prezentacji

Designing metaheuristics by Large Language Models

Abstrakt

For years, designing metaheuristic algorithms—particularly those tailored to real-world problems—has been a challenging, expertise-driven process. However, recent advances in automated algorithm design have begun to shift the landscape. With the rapid rise of generative AI, a new and promising approach has emerged: leveraging large language models (LLMs) to develop metaheuristic algorithms. This innovative direction has already produced exciting results, and the field is evolving quickly. In this talk, we’ll explore the potential of this growing area and its implications for future algorithm design.

Nota biograficzna

Michal Pluhacek Received his Ph.D. degree in Information Technologies from the Tomas Bata University in Zlin, the Czech Republic in 2016 with the dissertation topic: Modern method of development and modifications of evolutionary computational techniques. Currently works as a researcher at the Regional Research Centre CEBIA-Tech of Tomas Bata University in Zlin. He is the author of many journal and conference papers on Particle Swarm Optimization and related topics. His research focus includes swarm intelligence theory and applications and artificial intelligence in general. In 2019, he finished six-months long research stay at New Jersey Institute of Technology, USA, focusing on swarm intelligence and swarm robotics. He became an assoc. prof. in 2023 after successfully defending his habilitation thesis on the topic „Inner Dynamics of Evolutionary Computation Techniques: Meaning for Practice.“