Fotografi av Martin Hultman

Martin Hultman

Postdoktor

Jag är doktorand i medicinteknisk vetenskap, med inriktning mot biomedicinsk optik. Min forskning handlar om att utveckla nya och snabbare algoritmer för att avbilda mikrocirkulationen, och är fokuserad på hårdvarunära plattformar såsom FPGA och GPU.

Biomedicinsk optik & mikrocirkulationen

Mikrocirkulation är ett begrepp som handlar om blodflödet i de allra minsta blodkärlen i kroppen. Genom att studera flödet i de allra minsta blodkärlen kan man få information om bland annat läkande-processen efter brännskador, eller vissa sjukdomar såsom ”Raynauds fenomen”. Jag arbetar med att utveckla snabbare och bättre algoritmer för visualisering av mikrocirkulationen, med ett speciellt fokus på hårdvarunära plattformar, till exempel FPGA och GPU. 

Tidigare akademiska bedrifter: 

Civilingenjörsexamen i teknisk fysik och elektroteknik, med inriktning ”system på chip”, från Linköpings universitet

Publikationer

2023

Martin Hultman, Marcus Larsson, Tomas Strömberg, Ingemar Fredriksson (2023) Speed-resolved perfusion imaging using multi-exposure laser speckle contrast imaging and machine learning Journal of Biomedical Optics, Vol. 28, Artikel 036007 Vidare till DOI
Martin Hultman, Marcus Larsson, Tomas Strömberg, Joakim Henricson, Fredrik Iredahl, Ingemar Fredriksson (2023) Flowmotion imaging analysis of spatiotemporal variations in skin microcirculatory perfusion Microvascular Research, Vol. 146, Artikel 104456 Vidare till DOI

2022

Martin Hultman, Sofie Aronsson, Ingemar Fredriksson, Helene Zachrisson, Håkan N. Pärsson, Marcus Larsson, Tomas Strömberg (2022) Comprehensive imaging of microcirculatory changes in the foot during endovascular intervention - A technical feasibility study Microvascular Research, Vol. 141, Artikel 104317 Vidare till DOI

2021

Martin Hultman (2021) Real-time multi-exposure laser speckle contrast imaging of skin microcirculatory perfusion
Martin Hultman, Ida Johansson, Frida Lindqvist, Christer Ahlström (2021) Driver sleepiness detection with deep neural networks using electrophysiological data Physiological Measurement, Vol. 42, Artikel 034001 Vidare till DOI

Forskning

Kollegor

Organisation

Nyheter