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.

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 som 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 arteriell prøvetaking. 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.

Possitron Emission Tomography (PET) is widely used in both human and small-animal imaging. The most widespread application of human PET is within oncology, while small-animal PET is essential in tracer and drug development research. PET is based on the intravenous injection of a radiotracer, a molecule designed to follow a specific biological path in the body. Dynamic PET can visualize the time-dependent uptake of the tracer, and by application of a kinetic model, this allows quantification of different biological processes dependent on the tracer used. Dynamic PET is thus interesting in research specifically within cardivascular diseases, neurological diseses and oncology, as well as the development of new drugs. Kinetic modelling requires accurate determination of the Arterial Input Function (AIF), which represents the time-dependent tracer radioactivity concentration in arterial blood. The gold-standard AIF is measured by arterial blood sampling. Arterial cannulation in humans is, however, laborious, time-consuming, and potentially painful, with risk for complications. Also, in small-animals, arterial blood sampling is hampered by limited blood volume and complex and terminal surgery for arterial cannulation. This has hindered the application of dynamic PET as a whole both in clinic and research, and as such limited the potential knowledge gained from the reseach. This project aims to develop a non-invasive input function prediction model, based on cutting edge deep-learning methodology, representing a substantial leap forward in current state-of-the-art AIF measurements.

Budsjettformål:

FORNY20-FORNY2020