Computer vision en beeldverwerking
Aan de hand van de karakteristieke aspecten van een beeld kunnen bepaalde computers ons vertellen wat het beeld laat zien. Ze kunnen dit leren op dezelfde manier als jonge kinderen beelden kunnen leren herkennen. Het verder verbeteren van deze technieken opent de weg naar een hele reeks nieuwe toepassingen. Biologie en (bio)medische wetenschappen bieden tal van toepassingen voor de informatica. Wij werken graag samen met biologen en medische wetenschappers aan slimme oplossingen voor medische toepassingen. Nu en in de toekomst zullen computers doorslaggevend zijn in de strijd tegen een hele reeks ziekten.
Bio-informatica
Het bio-informatica lab heeft als doel het biologisch, medisch en gedragsonderzoek te versterken met innovatieve computationele, wiskundige en kunstmatige intelligentietechnologieën. Het onderzoek in de bio-informatica richt zich op onderzoeksmethoden en workflows voor het analyseren, modelleren en semantisch integreren van biomedische data. Ze zijn betrokken bij meerdere initiatieven om methoden en infrastructuur te ontwikkelen voor FAIR (Findable, Accessible, Interoperable en Reusable) data, om de waarde van onderzoeksresultaten te vergroten en het groeiende knelpunt in de analyse aan te pakken. Een ander onderzoeksgebied van de groep is de biopolymeersequentieanalyse, die zich richt op de identificatie van functionele structuren in niet-coderende RNA's en virale RNA-genomenen. Dit werk wordt gedaan in nauwe samenwerking met de ‘wet bench’ laboratoria.
Deep learning en computer vision
Het doel van het LIACS Media Lab (LML) aan de Universiteit Leiden is het uitvoeren van onderzoek op het gebied van deep learning, kunstmatige intelligentie en computer vision. Hun onderzoek omvat de dominante soorten media-informatie, zoals beelden, video, audio en tekst, of multimedia. Een van de meest voorkomende maatschappelijke problemen is het doorzoeken van de enorme berg aan multimedia-informatie uit diverse bronnen zoals smartphones, digitale bibliotheken, culturele erfgoedcollecties en het internet. Hoewel het verwerven van de multimedia-informatie eenvoudig is, zijn er momenteel geen effectieve oplossingen voor het vinden van multimedia-informatie met behulp van alledaagse vragen. De groep legt de nadruk op het gebruik van deep learning en computer vision methodes om beelden in menselijk begrijpelijke tekst te classificeren en maakt gebruik van de inhoud zoals pixels in beelden, geavanceerde kunstmatige intelligentie en diepe neurale netwerkalgoritmen om te bepalen wie of wat er in het beeld zit.
Beeldverwerking
Onderzoek naar beeldverwerking richt zich op bio-imaging, beeldanalyse en visualisatie. Met veel ervaring in high-throughput beeldvorming, 3D-reconstructie, celtracking en patroonherkenning willen we de relatie vinden tussen de geanalyseerde informatie uit beeld en andere bio-moleculaire informatiebronnen. Verder ontwikkelt de onderzoeksgroep nieuwe algoritmen en technieken voor het produceren van beelden met behulp van de allernieuwste apparatuur. Deze helpen om duidelijkere driedimensionale beelden te maken van organen en lichaamscellen. Deze toepassingen vergemakkelijken de functionele studie, de modellering van ziekten en de screening van geneesmiddelen.
