Dit proefschrift introduceert een reeks algoritmen die gericht zijn op het analyseren van menselijke longen door middel van CT-beelden. Met name voor bronchoscopieprocedures zorgt het algoritme voor luchtweglabeling voor nauwkeurige en efficiënte navigatie voor clinici. Bovendien vergemakkelijkt het algoritme voor kwabsegmentatie het begrip van de longziekteverdeling door clinici over verschillende kwabben. Bovendien benadrukt het proefschrift het belang van het visualiseren van de voorgestelde algoritmen, waardoor clinici de voorspellingen van de algoritmen beter kunnen begrijpen.
De algoritmen die in dit proefschrift zijn ontwikkeld, zijn gebaseerd op de nieuwste ontwikkelingen op het gebied van kunstmatige intelligentie. In het bijzonder worden deep learning-methoden verkend en ontwikkeld voor CT-beeldanalyse. Concluderend, dit proefschrift vertegenwoordigt een opmerkelijke doorbraak in COPD-beeldvormingsanalyse en biedt praktische en efficiënte oplossingen die de potentie hebben om de patiëntenzorg te verbeteren.
Weiyi Xie behaalde zijn masterdiploma aan de Tampere University of Technology in 2014. Zijn MSc-werk was gericht op het ondersteunen van vectormachine learning en het ophalen van op inhoud gebaseerde afbeeldingen. Xie begon in 2015 te werken aan verschillende industriële projecten met betrekking tot CT-analyse, met de nadruk op detectie van longknobbels. Xie ontwikkelt momenteel geavanceerde kwantitatieve CT-analysemethoden voor COPD-behandelplanning.