Tilbake til søkeresultatene

FORNY20-FORNY2020

KVAL: Deep learning in dynamic Possitron Emission Tomography (PET) Imaging

Alternativ tittel: Deep learning i dynamisk Possitron Emission Tomography (PET) bildebehandling

Tildelt: kr 0,50 mill.

Prosjektnummer:

337529

Prosjektperiode:

2022 - 2022

Midlene er mottatt fra:

Organisasjon:

Medisinsk avbildningsteknikker er mye brukt for å visualisere vev, svulster og biologiske prosesser både klinisk ved sykdomsdiagnostikk og hos dyr for forskningsformål. Det finnes ulike typer medisinsk bildediagnostikk der noen fokuserer på å visualisere anatomiske strukturer eller vev (eks. CT, MR) mens andre visualiserer funksjonelle endringer eller prosesser (eks. SPECT, PET). I sistnevnte avbildningsteknikk benyttes forskjellige typer radioaktive molekyler, kalt tracers, for visualisering. Avhengig av traceren som brukes, kan PET benyttes for kartlegging innenfor ulike områder som hjerte- og karsykdommer, nevrologiske sykdommer og onkologi. Ettersom radioaktivitet kan kvantifiseres, kan denne teknikken også brukes til å kartlegge biologiske prosesser over tid som en video. Dette kan eksempelvis benyttes til å kartlegge hvilket område av en svulst som er mest aktivt, eller forskjeller i aktivitet i ulike trinn i en biologisk prosess. Dette kalles dynamisk PET og gir mer detaljert kunnskap sammenlignet med standard statisk PET som benyttes mest i dag. Dynamisk PET er avhengig av kinetisk beregning av den tidsavhengige konsentrasjonen i blodet av traceren som brukes, kalt "input function", denne varierer hos ulike arter og individer. I dag måles dette ved arteriell blodprøvetaking. Hos mennesker er dette imidlertid arbeids og tidskrevende og potensielt smertefullt, med risiko for komplikasjoner. Hos smådyr er arteriell blodprøvetaking også hemmet av begrenset blodvolum tilgjengelig og behov for kompleks og terminal kirurgi for forsøksdyret. Dette har hindret bruken av dynamisk PET som helhet både i klinikk og forskning, og som sådan begrenset den potensielle kunnskapen som kunne vært oppnådd fra forskningen. Dette prosjektet tar sikte på å utvikle en prediksjonsmodell for ikke-invasiv input function kalkulering, basert på banebrytende deep learningsmetodikk, som representerer et betydelig sprang fremover i nåværende state-of-the-art innen dynamisk PET.

With this project we were able to identify the most attractive and obtainable marketsegment for the technology that we will pursue in the further development. We were also able to establish a network of industrypartners both within PET hardware and software to advise on the commercial aspects of the project. Some of these can be potential future lisencees of the technology. Together with a positive Freedom to Operate analysis and support from commercial parties the project is positioned for further development and funding.

Budsjettformål:

FORNY20-FORNY2020