Zlepšenie medicínskeho zobrazovania pomocou samo-supervízovaného učenia v prostrediach s nedostatkom údajov
Improving Medical Imaging Using Self-Supervised Learning in Data-Scarce Environments

Akronym / Acronym: SSL-DSE

09I03-03-V04-00394

O projekte

Projekt SSL-DSE rieši problém nedostatku anotovaných medicínskych dát pre metódy strojového učenia. Využíva prirodzené biologické cykly (srdcový, dýchací, brušný) ako bezplatný zdroj dohľadu pre samo-supervízované učenie. Cieľom je navrhnúť nové pretextové úlohy na predtrénovanie modelov, modely rekonštrukcie 3D objemov z 2D rezov a model predikcie a kompenzácie pohybu orgánov počas rádioterapie.

Projekt bol realizovaný na Technickej univerzite v Košiciach, FEI, Katedre matematiky a teoretickej informatiky v rokoch 2024-2026.

Metóda samo-supervízovaného predtrénovania sa umiestnila na 3. mieste v medzinárodnej súťaži FOMO-25 a bola prezentovaná na konferencii MICCAI 2025: fomo25.github.io/results.

The SSL-DSE project addresses the scarcity of annotated medical data for machine learning methods. It uses natural biological cycles (cardiac, respiratory, abdominal) as a free source of supervision for self-supervised learning. The goals are to design new pretext tasks for model pretraining, 3D volume reconstruction models from 2D slices, and a model for organ motion prediction and compensation during radiotherapy.

The project was carried out at the Technical University of Kosice, FEI, Department of Mathematics and Theoretical Informatics, from 2024 to 2026.

The self-supervised pretraining method ranked 3rd in the international FOMO-25 challenge and was presented at MICCAI 2025: fomo25.github.io/results.

Výstupy / Outputs

V rámci projektu vznikli tieto verejné softvérové repozitáre s otvoreným prístupom ku kódu. Pri každom je uvedený výstup projektu, ktorý napĺňa:

The following public software repositories with open access to the code were produced. The project deliverable each repository fulfils is indicated:

UMBRA (výstup / deliverable D1.2)

Prototyp samo-supervízovaných pretextových úloh: modálne-invariantné kontrastívne učenie a maskované modelovanie obrazu, predtrénovanie na datasete FOMO60k. / Prototype of self-supervised pretext tasks: modality-invariant contrastive learning and masked image modelling, pretrained on FOMO60k.

github.com/BraveDistribution/UMBRA

echogan (výstup / deliverable D2.2)

Kód k článku echoGAN: rozšírenie zorného poľa v transtorakálnej echokardiografii pomocou podmienenej generatívnej adversariálnej siete. / Code for the echoGAN paper: extending the field of view in transthoracic echocardiography with a conditional GAN.

github.com/BraveDistribution/echogan

liver-motion-predictor (výstup / deliverable D3.2)

Training-free, short-horizon liver landmark motion prediction for MR-guided radiotherapy.

github.com/BraveDistribution/liver-motion-predictor

openheart-ssm

Open eleven-structure whole-heart cardiac statistical shape modelling and shape completion from routine chest CT.

github.com/BraveDistribution/openheart-ssm

Financovanie / Funding

Znak Európskej únie / European Union emblem Logo Plánu obnovy a odolnosti Slovenskej republiky / Recovery and Resilience Plan of the Slovak Republic logo

Financované Európskou úniou – NextGenerationEU

Tento projekt je financovaný z Plánu obnovy a odolnosti Slovenskej republiky, číslo projektu 09I03-03-V04-00394.

Vykonávateľom Plánu obnovy a odolnosti pre komponent 09 Efektívnejšie riadenie a posilnenie financovania výskumu, vývoja a inovácií je Výskumná a inovačná agentúra (VAIA), s ktorou má prijímateľ uzavretú zmluvu o poskytnutí prostriedkov mechanizmu.

Funded by the European Union – NextGenerationEU

This project is funded by the Recovery and Resilience Plan of the Slovak Republic, project number 09I03-03-V04-00394.

The implementing body of the Recovery and Resilience Plan for Component 09 is the Research and Innovation Authority (VAIA), with which the beneficiary has concluded the funding agreement.

Publikácie / Publications

  • echoGAN: Extending the field of view in Transthoracic Echocardiography through conditional GAN-based outpainting, Computer Methods and Programs in Biomedicine 269 (2025) 108869, Q1, DOI: 10.1016/j.cmpb.2025.108869 (výstup D2.2)
  • Large-scale modality-invariant foundation models for brain MRI analysis: application to lesion segmentation, IEEE ISBI 2026, DOI: 10.1109/ISBI61048.2026.11515369, preprint: arXiv:2511.11311 (výstup D1.3)
  • OpenHeart-SSM: otvorené štatistické modelovanie tvaru celého srdca z bežného CT hrudníka, v recenznom konaní
  • BIAYN, v recenznom konaní
  • liver-motion-predictor: predikcia pohybu pečeňových landmarkov pre MR-navádzanú rádioterapiu, v recenznom konaní
  • echoGAN: Extending the field of view in Transthoracic Echocardiography through conditional GAN-based outpainting, Computer Methods and Programs in Biomedicine 269 (2025) 108869, Q1, DOI: 10.1016/j.cmpb.2025.108869 (deliverable D2.2)
  • Large-scale modality-invariant foundation models for brain MRI analysis: application to lesion segmentation, IEEE ISBI 2026, DOI: 10.1109/ISBI61048.2026.11515369, preprint: arXiv:2511.11311 (deliverable D1.3)
  • OpenHeart-SSM: open statistical shape modelling of the whole heart from routine chest CT, under review
  • BIAYN, under review
  • liver-motion-predictor: liver landmark motion prediction for MR-guided radiotherapy, under review