Artificial intelligence (AI) is driving major changes across numerous fields, with healthcare emerging as one of the areas with the greatest potential for impact. In medical imaging, AI has the potential to enhance patient care through personalized treatment planning and early disease detection, while simultaneously supporting clinicians by optimizing their workload, and automating complex tasks such as radiological image analysis. Over the past decade, substantial progress has been made in medical AI research, leading to highly accurate and robust models in controlled experimental settings. However, bringing these AI tools into everyday clinical use has proven challenging. Despite many scientific breakthroughs, only few AI systems are currently being adopted in clinical settings. 

This PhD thesis focuses on understanding why that gap exists, and how to bridge it. The work explores the technical, organizational, and ethical barriers that slow down AI adoption in healthcare, and proposes new ways to make AI more practical, transparent, and trustworthy in clinical environments.

A key result of this research is MAIA, a collaborative platform designed to bring together doctors, radiologists, and AI researchers. MAIA provides a shared space where experts can jointly develop and test AI tools under realistic clinical conditions. By combining research methods with everyday medical workflows, MAIA helps accelerate the transition from experimental AI models to clinical tools. The platform has been successfully deployed in both research and hospital environments, demonstrating its effectiveness in accelerating the integration of AI into medical practice.

Building on this foundation, the thesis also introduces MONet, a framework that makes it easier to adapt and reuse state-of-the-art medical image segmentation models for different healthcare applications. It enables smooth integration of AI into various clinical settings, from federated learning across different institutions to human-in-the-loop smart annotation tools, ensuring that research innovations can be efficiently transferred into real-world practice.

Finally, as a methodological contribution to the field, the thesis investigates the incorporation of anatomical and contextual prior knowledge into existing deep learning frameworks, with the goal of improving model interpretability and anatomical awareness. These methods were evaluated on different clinical tasks, such as lung lobe segmentation on chest CT, breast cancer treatment response prediction, and lymphoma segmentation on whole-body PET/CT, with the findings suggesting that the relevance of anatomical priors is task-dependent and can vary significantly across contexts.

In summary, the thesis work aims to contribute to bridging the gap between AI research and clinical implementation by developing collaborative infrastructures, adaptable frameworks, and methodological insights that support the trustworthy, transparent, and effective integration of AI technologies in medical imaging practice.

Artificiell intelligens (AI) medför stora förändringar inom många områden, där hälso- och sjukvården framstår som ett av dem med störst potential. Inom medicinsk bildbehandling kan AI förbättra patientvården genom tidig detektion av sjukdom och individualiserad planering av behandling, samtidigt som den utgör ett stöd för kliniker genom att minska arbetsbelastningen och automatisera komplexa uppgifter, såsom analys av radiologiska bilder. Under det senaste decenniet har betydande framsteg gjorts inom medicinsk AI-forskning, vilket har lett till mycket noggranna och robusta modeller i kontrollerade experimentella miljöer. 

Att införa dessa AI-verktyg i den dagliga kliniska praktiken har dock visat sig vara en utmaning. Trots många vetenskapliga genombrott används fortfarande endast ett fåtal AI-system inom klinisk rutin. Denna doktorsavhandling fokuserar på att förstå varför denna klyfta existerar och hur den kan överbryggas. Arbetet undersöker tekniska, organisatoriska och etiska hinder som fördröjer införandet av AI i vården, och föreslår nya strategier för att göra AI mer praktisk, transparent och pålitlig i kliniska miljöer. 

Ett centralt resultat av denna forskning är MAIA, en plattform utformad för samarbete mellan kliniska läkare, radiologer och AI-forskare. MAIA erbjuder en gemensam miljö där experter kan utveckla och testa AI-verktyg under realistiska kliniska förhållanden. Genom att kombinera forskningsmetoder med vardagliga kliniska arbetsflöden bidrar MAIA till att påskynda överföringen från experimentella AI-modeller till kliniska verktyg. Plattformen har framgångsrikt implementerats både i forsknings- och sjukhusmiljöer, vilket visar att den effektivt kan integrera AI i medicinsk praxis. 

Med denna plattform som grund presenterar avhandlingen också MONet, ett ramverk som underlättar anpassning och återanvändning av avancerade modeller för medicinsk bildsegmentering i olika vårdsammanhang. Ramverket möjliggör smidig integration av AI i olika kliniska miljöer, från federerat lärande mellan olika institutioner till smarta annoteringsverktyg baserade på en människa i loopen, vilket säkerställer att forskningsinnovationer effektivt kan överföras till verklig klinisk praktik. 

Som ett metodologiskt bidrag undersöker avhandlingen dessutom hur anatomisk och kontextuell förkunskap kan införlivas i befintliga modeller för djupinlärning, med målet att förbättra modellernas tolkbarhet och anatomiska medvetenhet. Dessa metoder har utvärderats på olika kliniska uppgifter, såsom lunglobssegmentering på bröstkorgs-CT, prediktion av behandlingssvar vid bröstcancer och lymfomsegmentering på helkropps-PET/CT. Resultaten visar att betydelsen av anatomiska förkunskaper är uppgiftsberoende och kan variera avsevärt mellan olika kliniska kontexter. 

Sammanfattningsvis syftar denna avhandling till att bidra till att minska klyftan mellan AI-forskning och klinisk tillämpning genom utveckling av infrastruktur för samarbete, anpassningsbara ramverk och metodologiska insikter som stödjer en pålitlig, transparent och effektiv integration av AI-teknologier inom medicinsk bildbehandling.