Computed Tomography (CT) scans play a crucial role in medical imaging, allowing neuroscientists to identify intracranial pathologies such as haemorrhages and malignant tumours in the brain. This thesis explores the potential of deep learning models as an aid in intracranial pathology detection through medical imaging. By first creating a convolutional neural network model capable of identifying brain haemorrhage and then moving it onto the neuromorphic processor Akida AKD1000, it allowed the usage of Spiking Neural Networks and on-edge retraining capabilities. In a process called few-shot learning, the model was trained to also identify brain tumours with minimal additional samples. The research further investigated how the parameters used in the edge-learning influenced classification accuracy. It was shown that the parameter selection and interaction introduced a trade-off in regard to accuracy for the haemorrhage and tumour classification models, but an optimal constellation of parameters could be extracted. These results aim to serve as a foundation for future endeavours in image analysis using neuromorphic hardware, specifically within the domain of few-shot and on-edge learning. The integration of these models in the medical field has the potential to streamline the diagnosis of intracranial pathologies, enhancing accuracy and efficiency while unloading medical professionals.

Datortomografi (CT) spelar en avgörande roll inom medicinsk bildvetenskap då den assisterar läkare i att identifiera hjärnsjukdomar såsom blödningar och elakartade tumörer. Denna avhandling utforskar potentialen hos djupinlärningsmodeller som hjälpmedel för upptäckt av hjärnsjukdomar genom medicinsk bildvetenskap. Genom att först skapa en konvolutionell neural nätverksmodell som kan identifiera hjärnblödning och sedan överföra den till den neuromorfiska processorn Akida AKD1000, möjliggjordes användning av "spikande" neurala nätverk och om-inlärning av modellen på hårdvaran (on-edge). I en process kallad few-shot learning tränades modellen till att även kunna identifiera hjärntumörer med endast ett minimalt antal ytterligare datortomografibilder. Vidare undersöktes hur parametrarna som används i om-inlärningen på den neuromorfiska hårdvaran påverkade klassificeringsträffsäkerheten. Det visades att valet av parametrar och deras interaktion introducerade en avvägning när det gällde träffsäkerheten för blödnings- och tumörklassificeringsmodellerna, men en optimal konstellation av parametrar kunde extraheras. Dessa resultat ämnar till att fungera som en grund för framtida arbete inom medicinsk bildvetenskap med neuromorfisk hårdvara, särskilt inom området few-shot learning och on-edge learning. Klassifikationsmodeller som dessa har potentialen att effektivisera diagnosen av hjärnsjukdomar och på så sätt förbättra träffsäkerheten av diagnos av hjärnsjukdomar, samt avlasta medicinska yrkesverksamma.