LTP2 Muliggjørende og industrielle teknologier ikon

Mogleggjerande industrielle teknologiar

2024

2023

2022

2021

2020

2019

2018

2017

2016

2015

2014

2013

2012

2011

2010

2009

Portefølje Naturvitenskap og teknologi ikon

Forskningssystemet

Portefølje Humaniora og samfunnsvitenskap ikon

Banebrytende forskning

Portefølje Samisk ikon

Samisk samfunn og kultur

Portefølje Demokrati, styring og fornyelse ikon

Demokrati og global utvikling

Portefølje Velferd, kultur og samfunn ikon

Velferd og utdanning

Portefølje Helse ikon

Helse

Portefølje Klima- og polarforskning ikon

Klima og miljø

Portefølje Landbasert mat, miljø og bioressurser ikon

Mat og bioressurser

Portefølje Energi, transport og lavutslipp ikon

Energi og transport

Portefølje Muliggjørende teknologier ikon

Muliggjørende teknologier

Portefølje Industri og tjenestenæringer ikon

Innovasjon

LTP2 Klima, miljø og miljøvennlig energi ikon

Klima, miljø og energi

LTP2 Samfunnssikkerhet og samhørighet ikon

Samfunnstryggleik og beredskap

LTP2 Fornyelse i offentlig sektor ikon

Velferdstjenester

Forsidebilde

Marin ikon

Petroleum og mineraler

LTP Hav ikon

Hav og kyst

Tillit og fellesskap

LTP2 Utvikle fagmiljøer av fremragende kvalitet

Høg kvalitet og tilgjengeleg

LTP2 Styrket konkurransekraft og innovasjonsevne ikon

Sterkare konkurransekraft og innovasjonsevne

LTP3 Helse

Et innovativt næringsliv ikon

Styrket konkurransekraft og innovasjonsevne

Portefolje Petroleum Ikon

Portefølje Hav ikon

Portefølje Utdanning og kompetanse ikon

Portefølje Global utvikling og internasjonale relasjoner ikon

Portefølje Livsvitenskap ikon

Forsidebilde optimalisert

project-bank-technical

Muliggjørende teknologier bakgrunn

Marin bakgrunnsbilde

Statistikk

Prosjektbanken presenterer statistikk og informasjon om prosjekter med finansiering fra Forskningsrådet fra 2004. Statistikken er fordelt på blant annet tema, år, geografi og organisasjon. Prosjektbanken gir også detaljert informasjon om de enkelte prosjektene.

...eller se sammendrag og annen informasjon om prosjektene i utvalget ditt

Alle porteføljestyrer

En god beskrivelse av denne siden for søkemotoroptimalisering

Forside

Hvordan tildelingene fordeler seg på institusjoner, fylker, fagområder o.l....

Her er noen eksempler på søk du kan gjøre i Prosjektbanken

Alle langtidsplanmål

Veiledning: Hvordan bruke Prosjektbanken.no

Om Fritekstsøk

Ingen populærvitenskapelig framstilling tilgjengelig


Prosjektet med prosjektnummer {{project number}} ble ikke funnet

Teknisk beskrivelse

Oisann, her gikk noe galt. Kan du prøve å laste siden på nytt?  Dersom feilen vedvarer, vennligst kontakt oss.         

Se statistikk relatert til dette langtidsplanmålet

Se prosjekter relatert til dette langtidsplanmålet

knyttet til dette LTP-målet har blitt tildelt penger

har blitt tildelt til prosjekter knyttet til dette LTP-målet

har blitt tildelt til prosjekter knyttet til denne porteføljen

knyttet til denne porteføljen har blitt tildelt penger

Om Prosjektbanken

Kunnskapsdepartement

Energidepartementet

Medisin og helsefag

Trøndelag - Trööndelage

LTP3 Høy kvalitet og tilgjengelighet

LTP3 Fagmiljøer og talenter

LTP3 Muliggjørende og industrielle teknologier

LTP3 IKT og digital transformasjon

UoH-sektor

Instituttsektor

Næringsliv

Øvrige

Helse Midt RHF

Helseforetak

Offentlig sektor

Ukjent Sektor

Utlandet

ukjent

Portefølje Banebrytende forskning

Portefølje Forskningssystemet

Portefølje Helse

Portefølje Muliggjørende teknologier

Frittstående prosjekter

Forskerprosjekt

Digitalisering og bruk av IKT

Internasjonalisering

Politikk- og forvaltningsområder

Anvendt forskning

Grunnforskning

Ettersom flere mennesker lever lenger, trenger vi flere helsetjenester, spesielt for akutte helseproblemer. Dette legger mye press på helsesystemet vårt, som inkluderer hjemmeomsorg, sykehjem, lokale klinikker og sykehus. For å sikre at vi kan ta vare på alle i fremtiden, må vi finne måter å hjelpe eldre mennesker med å holde seg sunne og unngå å trenge mye omsorg.
PAI-prosjektet jobber med dette problemet. Prosjektet bruker kunstig intelligens (KI) for å forutsi hvilken type omsorg eldre mennesker kan trenge ved å se på helsedata. Ved å oppdage helseproblemer tidlig, kan vi ta skritt for å forhindre at de blir verre. Dette kan bety at vi forhindrer fall i sykehjem eller endrer en persons medisinering på deres lokale klinikk. Dette bidrar til å unngå sykehusopphold, som kan være dyre og stressende.
Imidlertid er det vanskelig å forutsi helsebehov fordi dataene vi har kan variere mye. Det kan være forskjellig avhengig av hvor personen bor, og hvilke helseproblemer de har. For å håndtere dette, jobber PAI-prosjektet med mennesker som mottar omsorg og helsearbeidere for å utvikle KI-verktøy. Prosjektet tester disse verktøyene i virkelige situasjoner i Spania, Sverige og Norge.
Prosjektet bruker en blanding av metoder for å samle inn og analysere data. Dette inkluderer både tall (kvantitative data) og folks erfaringer og meninger (kvalitative data). Målet er å hjelpe eldre mennesker ved å gi dem riktig omsorg til rett tid, forhindre at skader og sykdommer blir verre. Det hjelper også helsearbeidere ved å sørge for at ressursene brukes effektivt og skaper et godt arbeidsmiljø. Løsningene de finner kan brukes på mange forskjellige steder.

As the population ages, the demand for healthcare services increases, including acute care. This puts a strain on healthcare resources, making efficient care management crucial at all levels - home, nursing homes, primary care, and hospitals.
The PAI project aims to address this challenge by using artificial intelligence (AI) to predict the care needs of older individuals. By analyzing patient monitoring data, the project can detect early signs of health or functional decline. This allows for preventive measures to be taken, reducing the need for costly acute care and aftercare. For example, hospitalizations can be prevented by avoiding falls in nursing homes or adjusting medication in primary care.
However, predicting the care needs of older patients is not straightforward. It involves dealing with varying data availability, quality, and potential interventions across different care levels and diagnoses. To tackle this, the PAI project uses a design science approach and a multiple case study design. It develops analytics in collaboration with care recipients and healthcare practitioners and implements them in real-life settings in Spain, Sweden, and Norway.
The project uses a mixed-methods strategy for data collection and analysis, combining quantitative and qualitative elements. This includes the thematic interpretative analysis of meeting notes, interviews, and observations, as well as the statistical longitudinal trend analysis of Key Performance Indicators in the respective healthcare systems.
The benefits of the PAI project are twofold. Older individuals receive adequate early care, preventing injuries and the worsening of diseases. Healthcare staff can use their resources more effectively, creating a sustainable and satisfying work environment. The outcomes of the project are scalable and can be applied in various contexts, making it a valuable contribution to the future of European healthcare.

Predicting Care Needs of Older Adults in the Healthcare System through AI-enabled Analysis of Patient-Monitoring Data

Målet for FUSE er å utvikle kunnskap og metoder for energieffektive og trygge skipsoperasjoner ved å kombinere KI og skips hydrodynamikk som muliggjør raske utslippsreduksjoner fra den globale flåten gjennom neste generasjons ruteoptimalisering.


Hovedideen er å utvikle metoder for mer nøyaktige numeriske modeller for skipsytelse, inkludert både energi- og bevegelsesegenskaper, ved å bruke kunstig intelligens i kombinasjon med klassisk hydrodynamikk. Tradisjonelle hydrodynamiske modeller er basert på grunnprinsipper og reflekterer fysiske lover. Kunstig intelligens kan trenes på operasjonelle data til å finne nye sammenhenger i dataene utover det man vet fra fysikkens lover. Begge tilnærmingene har sine fordeler og ulemper, og vi tar sikte på å kombinere det beste fra begge tilnærmingene og utvikle hybridmodeller. 
Potensielle effekter av de nye skipsmodellene vil evalueres gjennom bruk i ruteplanlegging.

Som utgangspunkt vil vi samle brukerkrav fra industripartnerne med fokus på to utvalgte brukstilfeller; deep sea og fergedrift. Forskningsaktivitetene vil dekke dataanalyse, KI og skipshydrodynamikk og reiseoptimalisering og beslutningsstøtte. Relevante forskningstemaer innebærer å sammenligne de ulike tilnærmingene for å estimere skipsytelse, vurdere nøyaktighet og gyldig bruk av modellene og evaluering av modellenes sensitivitet og anvendelighet. Til slutt vil den potensielle effekten av å bruke hybridmodeller i reiseoptimalisering bli undersøkt og demonstrert. En ph.d.-kandidat vil bli utdannet fra NTNU med fokus på å fusjonere KI med skipshydrodynamikk. 

Prosjektpartnerne er SINTEF Ocean, SINTEF Ålesund, NTNU, Torghatten, Vard Electro, NAVTOR og G2 Ocean.

The FUSE vision is to rapidly reduce emissions from the global fleet by unlocking the full potential of operational data through fusing AI and ship hydrodynamics for next generation voyage optimization. The main idea is to develop theoretical approaches and methodology utilizing the potential of using AI in combination with classical hydrodynamics to develop more accurate numerical models for ship performance, including both energy and motion characteristics. Traditional hydrodynamic models are based on first-principle, reflecting physical laws. AI-based models which uses operational data are used to establish a statistical relationship between inputs and outputs. Both approaches have their pros and cons, and we aim to fuse the best of both approaches and develop hybrid models as input to voyage planning and onboard decision support systems.  As a starting point, we will gather user requirements from the industrial partners focusing on two selected use cases; deepsea and ferry operations. The industry partners will be involved during the whole project period ensuring that the competence and results can be exploited into their product and services. The industry partners will contribute with operational data from their ships as research data. 

The research activities will cover data analytics, AI and ship hydrodynamics and voyage optimization and decision support. Research partners are SINTEF Ocean, SINTEF Ålesund, and NTNU. A PhD candidate will be educated from the NTNU with supervisors from Marine Technology and Engineering Cybernetics with focus on fusing AI with ship hydrodynamics. Relevant research topics involve comparing the different approaches for estimating ship performance, considering accuracies and valid usage of the models and evaluation of sensitivity and applicability of the models. Finally, the potential impact of using hybrid models in voyage optimization will be investigated and demonstrated.

Fusing AI and Ship Hydrodynamics for Next-Gen Voyage Optimization

I Nordsjøen finnes det organisk rike leirlag som har blitt begravd til flere kilometers dyp. Når slike leirlag blir begravd til flere kilometers dyp, blir de så varme at de begynner å generere olje og gass. Av all oljen og gassen som har blitt generert i Nordsjøen, har hele 98% lekket ut til havet over geologisk tid. Men hvor skjer dette? Hvor mye lekker ut? Hvilke miljøkonsekvenser har det? Hvordan påvirker det planer for CO2-lagring at væsker kan sive ut naturlig noen steder? Og kan det gi ny innsikt i hvor man bør lete etter olje og gass? Dette er spørsmål som InFluSe-prosjektet skal svare på. 

InFluSe står for "Integrated study of Fluid Migration and Seepage in the Southern Norwegian North Sea - Impact on Hydrocarbons, Environment, and CO2 storage". På grunn av de viktige konsekvensene hydrokarbonlekkasje i Nordsjøen har, er det mange som er interessert i dette prosjektet. Prosjektet ledes av Universitetet i Bergen, og har partnere fra industri, akademia og statsadminstrasjon, og disse partnerene inkluderer UiT, Equnior, Vår Energi, AkerBP, Aarhus Universitet, Geomar Kiel, Havforskningsinstituttet og Sokkeldirektoratet. 

I løpet av det første av fire år, skal vi ansette fire PhD-kandidater og gjennomføre et tokt på 20 dager med forskningsskipet G.O. Sars. Den første av PhD-stipendiatene skal bruke satellittdata til å undersøke hvor, når og hvorfor olje lekker i Nordsjøen. Den andre PhDen skal undersøke eksisterende brønn-, kjerne- og seismikk-data fra Nordsjøen for å finne ut hvilke veier hydrokarbonene migrerer under bakken. Den tredje skal samle inn og prosessere nye høy-oppløselige 3D-seismiske data over områder med mye lekkasje for å undersøke hvordan hydrokarbonene kommer seg gjennom takbergartene. Den siste skal undersøke geokjemiske og biologiske prøver fra hydrokarbonoppkommene for å finne ut hvor de kommer fra, hvor lenge de har vert aktive, og hvilke påvirkninger de har på miljøet.

In the Southern Norwegian North Sea (SNNS), analysis of satellite radar data supported by recent scientific cruise activity reveals a previously unknown pattern of natural oil seepage. This seepage pattern indicates the presence of a widespread and previously unknown hydrocarbon migration system. Combined with the extreme availability of subsurface data in the study area and our ability to conduct scientific cruises with state-of-the-art research vessels, the observed seepage pattern makes it possible to characterize and understand migration of fluids in sedimentary basins from source to seep, at a hitherto unparalleled level of detail. Through an integrated and cross-disciplinary research program, the InFluSe project partners will create a complete understanding of hydrocarbon migration and seepage in the SNNS through two scientific cruises, a comprehensive analysis and modelling program, and education of 4 PhDs and >10 MScs in the disciplines of geomatics, subsurface geology, geophysics and geochemistry. Firstly, we will determine the hydrocarbon migration pathways in the SNNS area and develop a baseline of natural hydrocarbon seepage in terms of distribution and rates that past and potential future well-related emissions can be evaluated against. Secondly, improved knowledge about distribution and rates of hydrocarbon seeps in the Norwegian North Sea will make it possible to assess the geological contribution of hydrocarbons, carbon and methane (the most important greenhouse gas after CO2) to the environment and atmosphere, something that is poorly understood from both a conceptual and regional perspective, and may be exacerbated by the shallow depth of seepage here. Thirdly, several CO2 storage licenses are in place in the SNNS and the impact of the observed seepage on the CO2 storage integrity in these areas will be addressed by InFluSe. Finally, understanding of pathways of hydrocarbon migration will help improve play models and de-risk exploration prospects.

Integrated study of Fluid Migration and Seepage in the Southern Norwegian North Sea - Impact on Hydrocarbons, Environment, and CO2 storage

mSpider: a universal “digital adaptor” to extract physical activity and health data from wearable sensors

By step-change EURAD-2 means a new era via a more effective and efficient public research, development and demonstration (RD&D) in Europe, and a deepening of research cooperation between MS having different radioactive waste inventories, and with programs at various stages of development. 

The scope of EURAD-2 builds upon the achievements of EJP EURAD-1 and EURATOM PREDIS. At a strategic level it is structured by the EURAD-1 Roadmap, while the prioritized scope refers to the updated Strategic Research Agenda (SRA)6. EURAD-2 continues to collaboratively develop, maintain and consolidate at the European level the scientific and technical basis of RWM, including disposal.

The scope of EURAD-2 includes scientific and technical activities on all steps (from “cradle to grave”) of RWM:
- Radioactive waste inventory including steps to minimize final radioactive waste to be managed;
- Radioactive waste characterization & processing (including pre-treatment, treatment and conditioning);
- Interim storage of radioactive waste; and
- Disposal solutions – with the main focus on geological disposal of spent fuel, high-level waste (HLW) and long-lived intermediate level waste (ILW).

Specific RD&D required for near-surface or surface disposal and low-level waste (LLW), will be addressed.Nuclear facility dismantling and decommissioning activities are however excluded, although interfaces, and particularly aspects that impacts final disposal could be considered.

The project aims to connect with the wider European Community through, e.g., SNETP, NEA, DigiDECOM community, IGDTP, IAEA, ENSREG, ERDO Association,  and will encourage interaction between different national programmes.

EUROPEAN PARTNERSHIP ON RADIOACTIVE WASTE MANAGEMENT 2 (EURAD-2)

Store skip (over 5000 bruttotonn), som containerskip, bulkskip og tankskip står for ca. 90% av karbondioksidutslippene (CO2) forårsaket av den maritime sektoren i dag. For denne typen fartøy er nullutslippsløsninger, som elektrifisering, ikke lett tilgjengelige. Det er derfor avgjørende å finne andre løsninger for å avkarbonisere dem. En ny teknologi spesielt egnet for store fartøyer, er moderne seil, kalt vindassisterte fremdriftssystemer (WAPS). WAPS har potensial til å redusere drivstofforbruket med opptil 60% og dermed redusere klimagassutslippene betydelig. 
For å realisere og maksimere potensialet til WAPS er det avgjørende å ha en grundig forståelse av de komplekse vindforholdene som oppleves på havet og forstå hvordan WAPS bør brukes for å møte denne utfordringen på en optimal måte. Vindforholdene i skipsfart kan variere betydelig avhengig av ruten (dypt hav, kyst, osv.), men også innenfor samme seilas. WAPS må derfor utformes for å fungere i et bredt spekter av vindforhold. Dette kompliseres ytterligere av bevegelsen indusert av fartøyet. Som en ny teknologi, er den fulle innvirkningen av de dynamiske, realistiske vindforholdene på WAPS ennå ikke fullt ut forstått. 
reSail vil fremme vindassistert fremdrift ved å forbedre forståelsen av vindforholdene som WAPS vil utsettes for. Vindmålinger på skip vil sammen med vindtunnelmålinger og modelleringsarbeid muliggjøre forbedring av kontroll, plassering og implementering for å realisere det fulle drivstoff- og utslisppsbesparende potensialet til WAPS.

Wind-assisted propulsion systems (WAPS) have the potential to contribute significantly to the decarbonization of international shipping. They are particularly suited for large vessels, which contribute heavily to global emissions from the maritime industry. To maximise the potential of wind-assisted propulsion the wind conditions WAPS are facing and how they affect wind propulsion ships need to be well understood. reSail will address this challenge by generating full-scale measurement data from a demonstrator ship, examining the ideal placement of wind-assisted propulsion systems (WAPS) on a ship, developing advanced aerodynamic models and control strategies to make the newly acquired knowledge available to a broad audience and finally assess the implications of complex wind conditions on ship operation. 
This will be obtained by a combination of methods ranging from, field measurements on a sea-going vessel, laboratory scale experiments in tailored flow conditions, to simulations of both individual components, such as the control system, as well as the ship holistically. The project will be conducted by a strong consortium comprised of three research institutions with strong competence in maritime transport, fluid mechanics, control strategies and ship operation, both experimentally and numerically, as well as key industry actors in shipping, wind-assisted propulsion and Geo-data. Close collaboration between the partners and among the different tasks in the project will advance wind-assisted propulsion and thus efficient green shipping in Norway.

Sailing with wind-assisted propulsion in realistic wind conditions

Achieving effective reduction in greenhouse emissions necessitates both preventing resource depletion and offering sustainable solutions to meet the increasing demand for energy. The technology developed in the NEXPECH2 project effectively addresses the above-mentioned challenges by using solar energy to convert water to green hydrogen (H2) under standard atmospheric temperature and pressure. Green hydrogen is a clean, sustainable chemical fuel that can be stored on a large scale for a long time and used to replace fossil fuels as a means of energy storage, transportation fuel, and feedstock. The NEXPECH2 ultimate goal is to deliver green H2 on a prototype lab-scale via development of a innovative photoelectrochemical (PEC) system for maximized solar light harvesting and efficient solar conversion to H2. The project will develop a low-cost compact device with an objective of reaching 10% solar-to-fuel efficiency and <10% degradation over 200 h operation.

Next generation photoelectrochemical cell for hydrogen generation (NEXPECH2)

Limb wounds in horses are common, however healing is exceedingly slow and fraught with complications. Contrary to body wounds, limb wounds demonstrate only a small amount of wound contraction. The specialist procedure of applying split-thickness skin grafts to limb wounds stimulates wound contraction by unknown mechanisms. The objective of this project is to identify those mechanisms to develop a treatment strategy for equine limb wounds for use in general  practice. Limb wounds are severely impacting animal welfare due to an extended healing/treatment duration, and the risk of euthanasia due to a poor functional outcome. By stimulating wound contraction, healing time will be reduced, and the functional outcome improved, directly benefitting the welfare of wounded horse and reducing treatment cost for the owner. Aim: To identify dermal components stimulating wound contraction, and to develop this knowledge into future state-of-the-art treatment of equine limb wounds for use in general practice. Hypotheses: i) Application of dermal fractions to collagen gels seeded with equine fibroblasts will increase gel contraction in vitro; ii) Application of dermal fractions to experimental limb wounds in vivo, will increase wound contraction resulting in a faster healing time versus wounds treated by conventional methods. Methods: i) The contractile effect of different dermal components will be assessed in a collagen gel/ fibroblast model; ii) Identified dermal components will be tested in a standardized experimental limb wound model in vivo (n=5). Ultimately, results from this project are expected to improve wound treatment in horses, directly impacting animal welfare by reducing healing time and improving the functional outcome of wounded horses. This will also directly benefit horse owners and caretakers and making veterinarians able to offer better treatment solutions.

HESTEFORSK - Raskere og bedre sårheling hos hest med autologe hudkomponenter

Developing Gene Therapy for Brain Diseases

Exploring ebselen Derivatives for Parkinson's Disease Therapy

Midlene fra PES-HORISONT-EU-PES Horisont Europa fordelt på år

Midlene fra PES-HORISONT-EU-PES Horisont Europa fordelt på fylker

Midlene fra PES-HORISONT-EU-PES Horisont Europa fordelt på fagområde

This project is to request for support to cover costs related to Eureka Eurostars submission. The Eurostars application concerns the development and integration of two wave energy technologies (Resen Waves, Denmark) that are complementary and together enable  significant increases in the power output of water oscillating wave energy solutions. The activities in the project are interdisciplinary and cross-cutting with tasks that include development of both wave energy systems, their integration, use of other technologies (e.g. sensors), testing, and demonstration. Estimated budget will be approximately 15 million NOK.

Wave energy optimization and Integration

Dette prosjektet vil åpne for et nytt, ikke-invasivt virkemiddel for å vurdere kreft. Dagens tilstand for kreftdiagnose og behandlingsovervåking ved bruk av magnetiskresonanstomografi (MR) krever injeksjon av et potensielt skadelig kontrastmiddel, mens kontrastfrie alternativer er for ineffektive og upresise for klinisk bruk. Den foreslåtte tilnærmingen vil kombinere svært effektive avbildningsstrategier med kunstig intelligens (AI), for å tillate rask, kontrastfri og robust kreftdiagnostikk.

I løpet av prosjektperioden frem til nå har vi utviklet nye metoder som bruker AI for å estimere parametere som er relevante for kreftdiagnose fra MR-bilder. Disse AI-metodene er i stand til å utnytte romlig informasjon fra MR-dataene for å forbedre nøyaktigheten til de estimerte parameterne, og de er også raskere enn konvensjonelle metoder.

En gren av AI kalt "dyp læring" innebærer å lære opp en datamaskinalgoritme, analogt referert til som et "nevralt nettverk", for å oppdage mønstre i data. Denne opplæringen krever vanligvis massevis av treningsdata der informasjonen av interesse er gitt som en kjent grunnsannhet. Vi har utviklet et metode som bruker AI for å generere syntetiske MR-data for å trene nevrale nettverk for å produsere MR-bilder av høyere kvalitet fra akselererte MR-avbildningsprotokoller.

I tillegg har vi utviklet to nye, akselererte MR-avbildningsstrategier. En metode forbedrer effektiviteten til konvensjonell avbildning, noe som gjør den mer robust overfor vanlige kilder til bildeartefakter. Den andre metoden gir også utfyllende informasjon om andre vevsegenskaper, som har potensial til å hjelpe diagnose eller behandlingsovervåking.

The standard approach to investigating cancer using magnetic resonance imaging (MRI) involves the injection of a potentially harmful contrast agent. Such contrast is contraindicative for patients who are pregnant, breast-feeding, or have kidney problems, and recent studies have also found evidence of long-term contrast deposition in the brain.

Intravoxel incoherent motion (IVIM) MRI is the most promising approach to safe, non-contrast perfusion imaging for cancer diagnosis and treatment monitoring. However, IVIM suffers from high sensitivity to measurement noise and imaging artefacts, and has very long acquisition times, such that currently it is not clinically feasible.

We propose a radical new approach to sampling IVIM data that will drastically reduce acquisition time and ameliorate several artefacts. We will use deep learning to enable efficient data acquisition, robust image reconstruction, and accurate IVIM parameter estimation. Deep learning has never before been applied to MRI in this manner, and it is especially well-suited to IVIM imaging. Successful outcomes promise to herald a new age in MRI pulse sequence development, and to transform current clinical strategies in oncology.

Deep learning cancer diagnostics from diffusion-weighted magnetic resonance imaging

Mogleggjerande industrielle teknologiar

TOPP KILDER

TOPP TRE ORGANISASJONER

TOPP TRE SØKNADSTYPER

6,9 mrd.

50,7 mrd.

Visning

Fordelt på

År

HELSEVEL-Gode og effektive helse-, omsorgs- og velferdstjenester

Predicting Care Needs of Older Adults in the Healthcare System through AI-enabled Analysis of Patient-Monitoring Data

Tildelt: kr 4,6 mill.

Prosjektperiode: 2024-2027

Sted: Trøndelag - Trööndelage

MAROFF-2-Maritim virksomhet og offshore operasjoner 2

Fusing AI and Ship Hydrodynamics for Next-Gen Voyage Optimization

Tildelt: kr 12,0 mill.

Prosjektperiode: 2024-2028

Sted: Trøndelag - Trööndelage

PETROMAKS2-Stort program petroleum

Integrated study of Fluid Migration and Seepage in the Southern Norwegian North Sea - Impact on Hydrocarbons, Environment, and CO2 storage

Tildelt: Skjult

Prosjektperiode: 2024-2028

Sted: Vestland

FORNY20-FORNY2020

mSpider: a universal “digital adaptor” to extract physical activity and health data from wearable sensors

Tildelt: kr 0,50 mill.

Prosjektperiode: 2024-2025

Sted: Troms - Romsa - Tromssa

EU-STRA-Strålevern

EUROPEAN PARTNERSHIP ON RADIOACTIVE WASTE MANAGEMENT 2 (EURAD-2)

Tildelt: kr 3,2 mill.

Prosjektperiode: 2024-2029

Sted: Akershus