Gedreven door de steeds grotere hoeveelheid beschikbare rekenkracht en gegenereerde digitale data, vinden artificiële intelligentie (AI) systemen meer en meer hun weg in ons dagelijks leven. Ook in de medische zorg ontstaat de nood en het potentieel van AI. Elektronische medische dossiers bevatten een schat aan informatie die kan worden gebruikt voor gepersonaliseerde en precisie geneeskunde. Door de immense hoeveelheid en complexiteit van deze data, zeker binnen medische beeldvorming, is het niet mogelijk om al deze informatie volledig te benutten. Om deze reden worden AI algoritmes ontwikkeld ter bevordering van de radiologische workflow. In dit werk richten we ons op twee toepassingen binnen medische beeldvorming. De eerste bevindt zich in de acquisitiefase waar we neurale netwerken gebruiken om de spatiële resolutie van positronemissietomografie (PET) detectoren en dus ook scanners te verbeteren. We optimaliseerden de complexiteit en trainingsprocedure van de netwerken en behaalden een betere performantie in vergelijking met een gevestigd algoritme. De tweede toepassing bevindt zich helemaal aan het einde van het beeldvormingsproces. We ontwikkelden convolutionele neurale netwerken die niet-invasief, automatisch en accuraat primaire hersentumoren kunnen segmenteren en diagnosticeren op basis van pre-therapie magnetische resonantie (MR) scans. Computer-ondersteunde diagnose is belangrijk voor het bepalen van de prognose en optimale behandelingsstrategie.