Novel Image Processing Algorithms for Automatic Detection of Colon Cancer

Målet med dette doktorgradsprosjektet er å utvikle en programvare bestående av algoritmer som vil være i stand til å automatisere screeningprosedyrer for koloskopi. Algoritmene vil etter hvert kunne analysere videoopptak fra koloskopier via en trådløs kapselendoskopi (WCE). De utviklede algoritmene skal: 1) automatisk identifisere og merke mistenkelige lesjoner, spesielt forstadier av polypper, i videoer av den menneskelige kolon oppnådd ved en standard koloskopi eller en WCE 2) automatisk identifisere pasienter med høy risiko for å få eller utvikle tykktarmskreft (CRC) 3) tåle variasjon i lesjoner for å oppdage alle typer lesjoner 4) hjelpe leger med å redusere glippfrekvens av lesjoner under undersøkelse av koloskopi Algoritmene er basert på dyp læringsteknologi som nylig har blitt brukt i analyse av store naturlige, bildebaserte datasett. Programmet vil belyse områder på bildene som virker unormale i utseende og som kan være patologiske og dermed ha behov for nærmere undersøkelse av en lege. Algoritmene vil oversette legens erfaring og kompetanse i å gjenkjenne og identifisere patologiske tilstander. Å implementere dette i en programvare innebærer mange kompliserte trinn samt en rekke utfordringer slik som å: identifisere spesielle kjennetegn for ulike typer misdannelser; fremheve hvordan disse skiller seg ut fra det sunne vevet; korrigere for bevegelse i videoopptaket, enten fra ufrivillige kroppsbevegelser eller fra bevegelsen av selve kameraet når det føres gjennom kroppen; og til slutt, skrive algoritmer/programvare som vil tolke og identifisere aspektene ved de mistenklige områdene nøyaktig nok for pålitelig avlesning. Fokuset ligger på automatisk oppdagelse av kolonpolypper som er den viktigste årsaken til CRC. Ulike algoritmer utvikles for å overvinne utfordringene forbundet med kompleksiteten til den menneskelige tykktarmen. For eksempel er modellene utviklet for å forstå det komplekse miljøet i den indre slimhinnen i tykktarmen (slimhinner) og skille forskjellige polyplignende strukturer som etterligner ekte polypper. Den eneste utfordringen som forblir uløst er mangelen og tilgjengeligheten på et stort nok datasett av lesjonsbilder og videoer. Dette er avgjørende for utviklingen av en effektiv modell som kan oppdage alle slags polypper. Innsamling av medisinske data er vanskelig fordi 1) det er etisk sensitiv informasjon, og 2) det er ikke lett for informatikere å forstå medisinsk data; dvs. klinikere må tolke og anmerke dataen.

Knowledge was developed about various computer-aided diagnostic algorithms based on deep learning technologies to automatically detect tumors in different medical imaging modalities, especially colon polyps in colonoscopy and wireless capsule endoscopy (WCE) with the result that endoscopies can be performed more efficiently and accurately, reducing overall time spent and the polyp-miss rate. Advanced technical skills were developed which will have significant impacts on the development and enhancement of algorithms for medical data analysis, thereby improving healthcare and saving lives. Plans are to implement the developed automatic polyp detection model on cloud and use 5G infrastructure to interconnect the model with WCE and develop an optimal colon assessment system for screening the population that would be cost efficient and widely available. The results achieved show that engineers and clinicians can collaborate to solve technologically challenging problems faced by clinicians.

This project is about designing and implementing advanced image processing algorithms to analyse the video footage taken of a person's gastrointestinal (GI) tract. These image processing algorithms will constitute a unique, innovative & extremely complicated software programme to be used in conjunction with a pill camera. There are a number of challenges associated with this project; for example, we presently do not have a camera & sensor which can be introduced into the human body, so we will need to create an artificial lab environment in which we can capture accurate video footage for study. Another challenge is that we need to identify sensor technologies which are capable of capturing the required amount of detail in the video footage. If the camera cannot see clearly, and the images are not clear, then it will be next to impossible to write accurate algorithms that will distinguish pathological areas from healthy areas. Another challenge is that this software will have to translate a doctor's experience & expertise in recognizing & identifying pathological states in the colon. The challenge is to properly identify the abnormalities on the image itself, to identify an aspect of that abnormality that can be measured in some way, & to then write algorithms which interpret & identify those aspects of a suspected abnormality accurately enough to make a dependable reading of the video footage possible. The long-term goal is to be able to make an automatic diagnosis by swallowing a pill camera and using the diagnostic software.