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 12,1 mill.

Dette prosjektet vil åpne for et nytt, ikke-invasivt virkemiddel for å vurdere kreft. Dagens tilstand for kreftdiagnose og behandlingsovervåking ved bruk av en MR-skanner 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 avbildningstrategier med kunstig intelligens, for å tillate rask, kontrastfri og robust kreftdiagnostikk. I løpet av det første året av prosjektet har vi bidratt til utviklingen av nye metoder som bruker kunstig intelligens for å estimere parametere som er relevante for kreftdiagnose fra MR-bilder, for både bukspyttkjertelen og hjernen, som er raskere og mer nøyaktige enn konvensjonelle metoder. I tillegg har vi gjort framgang med utviklingen av nye, akselererte MR-avbildningsstrategier, som har potensial til å være mer robuste overfor vanlige kilder til bildeartefakter, eller for å gi utfyllende informasjon om vevsegenskapene.

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.

Budsjettformål:

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