Homepage
TANA82 Projektbeskrivningar
Behandling av cancer med strålterapi
Cancer är en av de vanligaste dödsorsakerna i Sverige såväl som i världen. En av behandlingsformerna för cancer är strålbehandling. Strålbehandling är inte en specifik behandling utan det finns många olika typer av behandlingar där det gemensamma är användandet av joniserande strålning. Detta projekt fokuserar på en av dessa behandlingsmetoder; high-dose-rate (HDR) brachyterapi. Vid HDR-brachyterapi förs ett antal katetrar in i behandlingsområdet och genom dessa förs en radioaktiv källa som kan stanna på specifika platser kallade dröjpositioner. För att utföra HDR-brachyterapi krävs att många olika moment utförs, ett av dessa är att skapa en stråldosplan, dvs. en plan för var och hur länge strålning skall ske vid varje behandlingstillfälle. En sådan plan har som mål att leverera tillräcklig dos till cancertumören utan att skada omkringliggande vävnad. Målet med detta projekt är att ta fram ett verktyg för att skapa stråldosplaner, dessa skall bygga på användning av optimeringsmetoder för linjära problem, t.ex. simplex-metoden.
Kravspecifikation:
Projekt-Krav-Cancer.pdf
Datamaterial: Filer med patientdata och annan nödvändig
information tillhandahålls av beställaren.
Automatisk teckenidentifiering
Ett vanligt förekommande delproblem i tillämpningar är klassificieringsproblemet. Man betraktar då objekt som kan vara av ett antal olika typer, eller klasser. För ett givet (okänt) objekt är man intresserad av att avgöra vilken klass det tillhör. För att kunna avgöra vilken klass ett visst objekt tillhör måste man ha information om vad som är typiskt för de olika klasserna. Vanligt är att man till sin hjälp har ett antal objekt där man på förhand känner vilken klass de tillhör. Denna mängd kallas referensmängden.
Ett exempel på en metod för att typbestämma objekt är Närmsta-granne-metoden. Man inför ett mått på skillnaden mellan två olika objekt och för ett givent okänt objekt hittar man det närmsta objektet från referensmängden. Det okända objektet antas sedan vara av samma typ som dess närmsta granne ur referensmängden. Ett exempel är maskinell läsning av postnummer där varje siffra läses in som en bild. Referensmängden innehåller ett stort urval av handskrivna siffor som används för typbestämmningen.
Närmsta-granne-metoden är enkel men trots detta väldigt träff säker. Med en tillräckligt stor referensmängd har man säkert redan objekt som liknar det okända man försöker typbestämma. Med en stor referensmängd blir dock metoden ineffektiv. I projektet skall vi därför försöka beskriva mängden handskrivna siffror av en viss typ som ett linjärt rum. Istället för att hitta den närmsta grannen skall vi försöka hitta det linjära rum som ligger närmast en viss okänd siffra. Förhoppningen är att denna metod blir lika träffsäker som närmsta-granne-metoden men samtidigt mycket effektivare.
Metoderna i projektet kan användas för att lösa många olika typer av klassificeringsproblem. Exempelvis skräppostfiltrering, sökning på internet, etc. Det enda som krävs är att varje objekt kan beskrivas som ett element i ett linjärt rum.
Kravspecifikation:
Projekt-Krav-Siffror.pdf
Datamaterial: DataSet.mat
Sidansvarig: fredrik.berntsson@liu.se
Senast uppdaterad: 2022-08-22