Akademische Forschung
Unsere Arbeit beruht auf veröffentlichter Forschung. Die Publikationen, Preprints und Datensätze von Dr. Dario Sitnik konzentrieren sich auf Computational Pathology und hyperspektrale Bildgebung für die intraoperative Krebsdiagnose, vieles davon gemeinsam mit Co-Autorinnen und Co-Autoren am Institut Ruđer Bošković in Zagreb.
// Computational Pathology
Semantic Segmentation-Driven Image-Level Diagnosis of Liver Cancers in Hematoxylin and Eosin Histopathology Images
I. Kopriva, D. Sitnik, A. Pačić, K. Krstanac, I. Veliki Dalić, M. Popović Hadžija
arXiv:2607.03253, 2026
Ein auf semantischer Segmentierung basierendes Framework für die Diagnose von Leberkarzinomen auf Bildebene aus H&E-Whole-Slide-Images, ausgelegt auf Schwankungen bei Präparation, Färbung und Scan.
HandE-Liver3C
I. Kopriva, D. Sitnik, A. Pačić, K. Krstanac, I. Veliki Dalić, A. Lukač et al.
Ruđer Bošković Institute, FULIR data repository, 2026
Ein öffentlicher Datensatz H&E-gefärbter histopathologischer Leberbilder mit Annotationen auf Pixelebene.
LEFM-Nets: Learnable Explicit Feature Map Deep Networks for Segmentation of Histopathological Images of Frozen Sections
D. Sitnik, I. Kopriva
arXiv:2204.06955, 2022
Ein Framework, das bestehende Deep Networks über eine lernbare Explicit-Feature-Map-Schicht in einen niedrigdimensionalen Unterraum einbettet, zur Segmentierung histopathologischer Bilder von Gefrierschnitten.
Clustering and classification of low-dimensional data in explicit feature map domain: intraoperative pixel-wise diagnosis of adenocarcinoma of a colon in a liver
D. Sitnik, I. Kopriva
arXiv:2203.03636, 2022
Bildet niedrigdimensionale Daten über eine approximative Explicit Feature Map ab, sodass interpretierbare lineare Algorithmen bei der intraoperativen Diagnose auf Pixelebene besser abschneiden und inkrementelles Lernen möglich bleibt.
Deep learning methods for segmentation of images of frozen tissue sections
D. Sitnik
University of Zagreb, Faculty of Electrical Engineering and Computing, 2022
Deep-Learning-Methoden zur Segmentierung von Bildern von Gefrierschnitten.
A dataset and a methodology for intraoperative computer-aided diagnosis of a metastatic colon cancer in a liver
D. Sitnik, G. Aralica, M. Hadžija, M. P. Hadžija, A. Pačić, M. M. Periša et al.
Biomedical Signal Processing and Control 66, 102402, 2021
Stellt einen Datensatz und eine Methodik für die intraoperative computergestützte Diagnose von Lebermetastasen des Kolonkarzinoms vor.
Approximate explicit feature map for computational augmentation of RGB images of hematoxylin and eosin stained histopathological specimens
I. Kopriva, D. Sitnik, G. Aralica, A. Pačić, M. P. Hadžija, M. Hadžija
Medical Imaging 2021: Digital Pathology, Proc. SPIE 11603, 174-185, 2021
Nutzt eine approximative Explicit Feature Map, um RGB-Bilder H&E-gefärbter histopathologischer Präparate rechnerisch anzureichern.
Transfer learning approach for intraoperative pixel-based diagnosis of colon cancer metastasis in a liver from hematoxylin-eosin stained specimens
D. Sitnik, I. Kopriva, G. Aralica, A. Pačić, M. P. Hadžija, M. Hadžija
Medical Imaging 2020: Digital Pathology, Proc. SPIE 11320, 57-67, 2020
Transfer Learning für die intraoperative pixelbasierte Diagnose von Lebermetastasen des Kolonkarzinoms aus H&E-gefärbten Präparaten.
Deep learning approaches for intraoperative pixel-based diagnosis of colon cancer metastasis in a liver from phase-contrast images of unstained specimens
D. Sitnik, G. Aralica, A. Pačić, M. P. Hadžija, M. Hadžija, I. Kopriva
Medical Imaging 2020: Digital Pathology, Proc. SPIE 11320, 47-56, 2020
Deep Learning für die intraoperative pixelbasierte Diagnose von Lebermetastasen des Kolonkarzinoms aus Phasenkontrastbildern ungefärbter Präparate.
// Hyperspektrale Bildgebung
MERA tensor network extracted pseudo-labels and Grassmann manifolds for unsupervised intraoperative semantic segmentation of hyperspectral images of adenocarcinoma of the colon
I. Kopriva, D. Sitnik
Medical Imaging 2026: Digital and Computational Pathology, Proc. SPIE 13932, 231-243, 2026
Unüberwachte intraoperative semantische Segmentierung hyperspektraler Bilder des Kolonadenokarzinoms mit Pseudo-Labels aus einem MERA-Tensornetzwerk und Grassmann-Mannigfaltigkeiten.
A hyperspectral imaging dataset and Grassmann manifold method for intraoperative pixel-wise classification of metastatic colon cancer in the liver
I. Kopriva, D. Sitnik, L. I. Dion-Bertrand, M. M. Periša, A. Pačić, M. Hadžija et al.
Computers in Biology and Medicine 196, 110841, 2025
Stellt einen hyperspektralen Bilddatensatz und eine Grassmann-Mannigfaltigkeits-Methode für die intraoperative Klassifikation von Lebermetastasen des Kolonkarzinoms auf Pixelebene vor.
Bright-field dark-field hyperspectral imaging for pixel-wise classification of adenocarcinoma of the colon in the liver
I. Kopriva, L. I. Dion-Bertrand, M. M. Periša, M. P. Hadžija et al.
Medical Imaging 2025: Digital and Computational Pathology, Proc. SPIE 13413, 231-239, 2025
Kombiniert hyperspektrale Hellfeld- und Dunkelfeld-Bildgebung zur Klassifikation des Kolonadenokarzinoms in der Leber auf Pixelebene.
// Selbstüberwachtes Lernen und Subspace Clustering
Robust Self-Supervised Convolutional Neural Network for Subspace Clustering and Classification
D. Sitnik, I. Kopriva
arXiv:2004.03375, 2020
Eine robuste Formulierung des selbstüberwachten konvolutionalen Subspace-Clustering-Netzwerks, das Daten aus nichtlinearen Mannigfaltigkeiten clustert, gegenüber Datenstörungen robust ist und Out-of-Sample-Daten klassifiziert.
// Frühere Arbeiten
Određivanje poze osoba temeljeno na dubokom učenju
D. Sitnik
University of Zagreb, Faculty of Electrical Engineering and Computing, 2018
Schätzung menschlicher Körperhaltung auf Basis von Deep Learning.
System for Video Stitching
D. Sitnik
University of Zagreb, Faculty of Electrical Engineering and Computing, 2016
Ein System, das mehrere Videoaufnahmen zu einer zusammenfügt.
Bereit loszulegen?
Buchen Sie eine kostenlose Beratung, um Ihr KI-Projekt zu besprechen.