Tilbake til søkeresultatene

FRINATEK-Fri prosj.st. mat.,naturv.,tek

Deep learning cancer diagnostics from diffusion-weighted magnetic resonance imaging

Alternativ tittel: Dyp læring kreftdiagnostikk fra diffusjonsvektet magnetisk resonans avbildning

Tildelt: kr 13,7 mill.

Dette prosjektet vil åpne for et nytt, ikke-invasivt virkemiddel for å vurdere kreft. Dagens tilstand for kreftdiagnose og behandlingsovervåking ved bruk av magnetiskresonanstomografi (MR) krever injeksjon av et potensielt skadelig kontrastmiddel, mens kontrastfrie alternativer er for ineffektive og upresise for klinisk bruk. Den foreslåtte tilnærmingen vil kombinere svært effektive avbildningsstrategier med kunstig intelligens (AI), for å tillate rask, kontrastfri og robust kreftdiagnostikk. I løpet av prosjektperioden frem til nå har vi utviklet nye metoder som bruker AI for å estimere parametere som er relevante for kreftdiagnose fra MR-bilder. Disse AI-metodene er i stand til å utnytte romlig informasjon fra MR-dataene for å forbedre nøyaktigheten til de estimerte parameterne, og de er også raskere enn konvensjonelle metoder. En gren av AI kalt "dyp læring" innebærer å lære opp en datamaskinalgoritme, analogt referert til som et "nevralt nettverk", for å oppdage mønstre i data. Denne opplæringen krever vanligvis massevis av treningsdata der informasjonen av interesse er gitt som en kjent grunnsannhet. Vi har utviklet et metode som bruker AI for å generere syntetiske MR-data for å trene nevrale nettverk for å produsere MR-bilder av høyere kvalitet fra akselererte MR-avbildningsprotokoller. I tillegg har vi gjort framgang med utviklingen av nye, akselererte MR-avbildningsstrategier. Disse metodene har potensial til å være mer robuste overfor vanlige kilder til bildeartefakter, eller til å gi utfyllende informasjon om vevsegenskapene for å hjelpe diagnose eller behandlingsovervåking.

The standard approach to investigating cancer using magnetic resonance imaging (MRI) involves the injection of a potentially harmful contrast agent. Such contrast is contraindicative for patients who are pregnant, breast-feeding, or have kidney problems, and recent studies have also found evidence of long-term contrast deposition in the brain. Intravoxel incoherent motion (IVIM) MRI is the most promising approach to safe, non-contrast perfusion imaging for cancer diagnosis and treatment monitoring. However, IVIM suffers from high sensitivity to measurement noise and imaging artefacts, and has very long acquisition times, such that currently it is not clinically feasible. We propose a radical new approach to sampling IVIM data that will drastically reduce acquisition time and ameliorate several artefacts. We will use deep learning to enable efficient data acquisition, robust image reconstruction, and accurate IVIM parameter estimation. Deep learning has never before been applied to MRI in this manner, and it is especially well-suited to IVIM imaging. Successful outcomes promise to herald a new age in MRI pulse sequence development, and to transform current clinical strategies in oncology.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Budsjettformål:

FRINATEK-Fri prosj.st. mat.,naturv.,tek