Fotografi av Gabriel Eilertsen

Gabriel Eilertsen

Biträdande universitetslektor, Docent

Min forskning fokuserar på maskininlärning för att förstå, manipulera och skapa bilder, med applikationer inom datorgrafik och medicinsk bilddiagnostik.

Djupinlärning och bild

Jag har en doktorsexamen i datorgrafik och bildbehandling, med fokus på high dynamic range (HDR) bildbehandling och maskininlärning. Jag är för närvarande AI/MLX biträdande universitetslektor i Wallenberg AI, Autonomous Systems and Software Program (WASP). Jag är del i Analytic Imaging Diagnostics Arena (AIDA), som är en nationell arena för forskning och innovation kring AI för medicinsk bilddiagnostik, samt anknuten forskare till Centrum för medicinsk bildvetenskap och visualisering (CMIV).

Min forskning är inriktad på maskininlärning, och särskilt genom djupinlärning, för datorseende och bildbehandling. Forskningen omfattar både tillämpade problem inom datorgrafik och medicinsk diagnostik, såväl som mer grundläggande problem inom bildgenerering och datacentrerad djupinlärning. Exempel på aktuella forskningsprojekt är:

Syntetiska bilder för maskininlärning

Vi utforskar olika metoder för att generera syntetiska bilder för träning av djupa neurala nätverk. Detta inkluderar både konventionella metoder inom datorgrafik och djup generativ modellering, och olika kombinationer av dessa två (som neural rendering). Vi undersöker tekniker för datacentrerad maskininlärning med hjälp av syntetisk data, för augmentering, anonymisering och testning. Jag leder ett CENIIT-projekt inom generativ djupinlärning för datacentrerad medicinsk bildbehandling. För mer information, se projektsida.

High dynamic range imaging

Jag har en bakgrund inom high dynamic range (HDR) bildbehandling, med projekt relaterade till tonmapping, komprimering, utvärdering och deep learning-baserad HDR-bildrekonstruktion. Vår senaste forskning inkluderar utvärdering av metoder för deep learing-baserad HDR-rekonstruktion. Vi visar hur opålitliga befintliga utvärderingsprotokoll är och föreslår tekniker för förbättrad korrelation mellan objektiva mått och perceptuella experiment.

Publikationer

2023

Milda Poceviciute, Gabriel Eilertsen, Claes Lundström (2023) Spatial uncertainty aggregation for false negatives detection in breast cancer metastases segmentation MEDICAL IMAGING 2023, Artikel 124710W Vidare till DOI
Milda Pocevičiūtė, Gabriel Eilertsen, Stina Garvin, Claes Lundström (2023) Detecting Domain Shift in Multiple Instance Learning for Digital Pathology Using Fréchet Domain Distance Medical Image Computing and Computer Assisted Intervention – MICCAI 2023: 26th International Conference, Vancouver, BC, Canada, October 8–12, 2023, Proceedings, Part V, s. 157-167 Vidare till DOI
Alex Knutsson, Jakob Unnebäck, Daniel Jönsson, Gabriel Eilertsen (2023) CDF-Based Importance Sampling and Visualization for Neural Network Training Eurographics Workshop on Visual Computing for Biology and Medicine Vidare till DOI

2022

Karin Stacke, Jonas Unger, Claes Lundström, Gabriel Eilertsen (2022) Learning Representations with Contrastive Self-Supervised Learning for Histopathology Applications The Journal of Machine Learning for Biomedical Imaging, Vol. 1, Artikel 023
Param Hanji, Rafal K. Mantiuk, Gabriel Eilertsen, Saghi Hajisharif, Jonas Unger (2022) Comparison of single image HDR reconstruction methods - the caveats of quality assessment ACM SIGGRAPH ’22 Conference Proceedings Vidare till DOI

Organisation

Nyheter