Doktorand i bildanalys och maskininlärning inom masspektrometriavbildning

Doktorand i bildanalys och maskininlärning inom masspektrometriavbildning

Är du intresserad av att utveckla nya beräkningsmetoder och bidra till en avbildningsteknik som ger unika insikter om vävnader? Vill du arbeta i ett forskarteam med skickliga och vänliga kollegor i en internationell miljö med goda arbetsvillkor? I så fall kan denna doktorandtjänst vid Uppsala universitet vara något för dig.

Uppsala universitet (UU) är Sveriges och Nordens äldsta universitet. Institutionen för informationsteknologi, är UU:s tredje största institution, med cirka 5 000 studenter och 350 anställda, inklusive doktorander, forskare och administrativ personal. Doktoranden kommer att ansluta sig till enheten för bildanalys inom Vi3-divisionen, som rymmer flera akademiska forskargrupper inom närliggande områden.

Doktoranden kommer att handledas av professor Orcun Göksel och arbeta inom forskargruppen Computer-assisted Applications in Medicine, med fokus på utveckling av beräkningsmetoder, inklusive maskininlärning och djupinlärning för biomedicinsk avbildning. Doktoranden kommer också att samarbeta med den analytiska kemiavdelningen vid institutionen för kemi – BMC, med handledning av professor Ingela Lanekoff, vars forskning fokuserar på innovativ masspektrometrisk avbildning av lipider och metaboliter från biologiska ytor.

Denna doktorandtjänst ingår i forskarskolan eSSENCE för dataintensiv vetenskap, i samarbete med SciLifeLab. eSSENCE samlar forskare inom beräkningsvetenskap och datadrivna tillämpningar för att påskynda vetenskapliga upptäckter. Programmet erbjuder goda möjligheter för nätverkande, deltagande i seminarier och workshops, samt doktorandkurser inom metodologier för dataintensiv vetenskap.

Läs mer här om anställning som doktorand vid Uppsala universitet.

Projektbeskrivning
Masspektrometri är en teknik som kan mäta tusentals kemiska signaturer i ett givet prov. Avbildande masspektrometri (MSI) möjliggör kartläggning av kemiska fördelningar över biologiska vävnadsytor utan behov av infärgning eller förkunskaper. MSI genererar stora datamängder med hög rumslig upplösning och spektral information per pixel, men traditionella metoder reducerar data manuellt, vilket ofta leder till förlorad information.

Detta doktorandprojekt fokuserar på att utveckla beräkningsmodeller och lösningar inom computer vision för MSI-dataanalys. Målen innefattar avancerad storskalig dataanalys, dimensionsreduktion och inlärningsbaserade tekniker för att återvinna information som går förlorad i manuella analyser. Metoderna syftar till att förbättra MSI:s förmåga att avslöja biologisk och patologisk information, till exempel för forskning kring cancer och multipel skleros. Kompletterande bildmodaliteter och metabola databaser kommer också att användas för att identifiera nya kemiska signaturer.

Arbetsuppgifter
Doktoranden kommer främst att ägna sig åt den egna forskarutbildningen. Övrig tjänstgöring vid institutionen, som avser undervisning och administrativt arbete, kan ingå inom ramen för anställningen (max 20%).

Kvalifikationskrav
Behörig till utbildning på forskarnivå är den som har

• avlagt examen på avancerad nivå inom datavetenskap, teknik, dataanalys, tillämpad matematik, maskininlärning eller ett annat relaterat område, eller
• fullgjort minst 240 högskolepoäng, varav minst 60 högskolepoäng på avancerad nivå inklusive ett självständigt arbete om minst 15 högskolepoäng, eller
• på något annat sätt förvärvat i huvudsak motsvarande kunskaper.

Vi söker kandidater med:

• En gedigen beräknings- och analytisk förståelse samt akademisk bakgrund, inklusive erfarenhet av bildanalys.
• Ett starkt intresse för att grundligt förstå systemen, datan och modellerna för att kunna utforma, utveckla och testa nya lösningar som främjar deras utveckling.
• Programmeringskunskaper och relevant erfarenhet.
• Utmärkta kommunikationsfärdigheter i engelska, både skriftligt och muntligt.
• Kreativitet, noggrannhet och en strukturerad problemlösningsförmåga.
• En samarbetsinriktad attityd och entusiasm för tvärvetenskapligt arbete.

Stor vikt kommer också att läggas vid personliga egenskaper såsom god samarbetsförmåga, driv och självständighet samt hur den sökande genom sin erfarenhet och kompetens bedöms ha den förmåga som behövs för att klara forskarutbildningen.

Önskvärt/meriterande i övrigt
Erfarenhet av kalkyl, linjär algebra, optimering, sannolikhetsteori och numeriska metoder är önskvärt. Kunskaper i Python och Matlab är en fördel, och erfarenhet av ramverk för djupinlärning såsom PyTorch eller TensorFlow är meriterande.

För särskild behörighet, se studieplanen för ämnet.

Ansökan ska innehålla:

1. CV.
2. Examensbevis och studieresultat med betyg (med kursnamn översatta till engelska eller svenska) samt, om möjligt, angiven rankning/procentil inom examensklassen eller en liknande stor jämförelsegrupp i CV:t.
3. Ett kort följebrev (högst en sida) som inkluderar:
   • Tidigast möjliga startdatum (med skäl om tillämpligt).
   • En kort punktlista med tre huvudsakliga akademiska eller vetenskapliga prestationer.
   • (Valfritt) Ytterligare förklaringar som sökande kan vilja klargöra(tex begränsad erfarenhet av ett kvalifikationsområde, uppehåll mellan examina eller akademiska förseningar) eller övriga kommentarer, om några.
4. Ett läsprov, t.ex. masteruppsats (eller ett utkast) eller annan egenproducerad vetenskaplig text. För bidrag till gemensamma publikationer, inkludera en lista i CV:n med länkar till publikationer online och bifoga den publikation där sökanden har gjort det största bidraget som ett extra läsprov.
5. Kontaktuppgifter (namn, e-postadresser och telefonnummer) till minst två referenser, med angivelse av sammanhanget, varaktigheten och arten av relationen till kandidaten. Referensbrev kan bifogas som stödjande dokument.

Bestämmelser för doktorander återfinns i Högskoleförordningen 5 kap §§ 1-7 samt i universitetets regler och riktlinjer.

Om anställningen 
Anställningen är tidsbegränsad, enligt HF 5 kap § 7. Omfattningen är heltid. Tillträde: våren 2025 eller enligt överenskommelse. Placeringsort: Uppsala

Upplysningar om anställningen lämnas av: Orcun Göksel, Professor, Institutionen för informationsteknologi, orcun.goksel@it.uu.se

Välkommen med din ansökan senast den 13 januari 2025, UFV-PA 2024/4144.