Deep learning for billedsegmentering og registerbaseret analyse af dosis-effekt for normalvævs-skade i stråleterapi

Ph.d. studerende Abraham George Smith, Rigshospitalet. 

Projektet foregår i samarbejde mellem datalogisk institut på Københavns Universitet og Region Hovestadens stråleterapier og er derudover tilknyttet og støttet af det nationale initiativ DCCC-RT.

Den grundlæggende tanke bag projektet er at kombinere registerdata med automatiseret billedanalyse ved brug af kunstig intelligens – deep learning. Det kliniske mål er at ved at analysere billeder i stor skala og sammenholde billeder (3D scanninger), stråledoser (Strålefordeling på de 3D scanninger) med bivirkninger registreret i de danske registre. Dermed vil vi skabe mulighed for større undersøgelser af sammenhængen mellem eksponering af normalt væv for stråling og risiko for bivirkninger end hvad der hidtil har været muligt. Med adgang til sådanne data kan det moderne stråleterapiudstyr på de danske hospitalsafdelinger bedre udnyttes til at undgå bestråling af de mest kritiske områder. Dermed mindskes risikoen for bivirkninger for fremtidige patienter.

Teknisk arbejdes der med en meget fleksibel algoritme for indtegning af organer på billeder, hvor algoritmen løbende bliver trænet af brugeren ved at indtegninger rettes. Den grundlæggende opbygning af det neurale netværk og læringsmodel har været anvendt i plantevidenskab https://www.biorxiv.org/content/10.1101/2020.04.16.044461v1 og dele af koncepterne anvendes fx i Tesla bilernes autopilot som såkaldt data engine. Princippet er succesfuldt overført til den medicinske verden med 3D anatomiske billeder i foreløbige tests på Rigshospitalet. Målsætningen er, at man kan indtegne hjerte, lunger og spiserør på en ny patient på under 3 minutter med klinisk præcision. Derudover skal den derved trænede algoritme altså kunne indtegne på tusindvis af patienter i kliniske databaser uden behov for manuel korrektion i langt de fleste tilfælde.

Projektet er startet primo 2020 og opdateres løbende.

  • Abraham George Smith

    PhD student