Nadzor gibanja prsnog koša pri radioterapiji primjenom postupaka strojnog učenja
| Voditelj: izv. prof. dr. sc. Ivan Štajduhar (suvoditelj prof. dr. sc. Robert Jeraj) | Izvor financiranja: MZO |
| Suradnici: doc. dr. sc. Matija Milanič dr. sc. Urban Simončič Maruša Turk, mag. med. fiz. Ana Marin, mag. fiz. Jošt Stergar, mag. fiz. Luka Rogelj, mag. med. fiz. doc. dr. sc. Jonatan Lerga dr. sc. Andrea Andrijašević Mihaela Mamula, specijalist radiologije Franko Hržić, mag. ing. comp. Teo Manojlović, mag. ing. comp. | Trajanje: 2018.-2019. |
Transverzalnu ravninu CT-a prsnog koša računalo vidi kao matricu intenziteta piksela
Razvoj tehnika temeljen je na dostupnim podacima iz arhivskog sustava
Karcinom pluća na MSCT snimci toraksa
Ilustracija postupka lociranja tumora ručno osmišljenim konvolucijskim filtrom nad izrezanim segmentom slike
Skoro polovica cjelokupne svjetske populacije oboli od raka i čak 70% takvih slučajeva odnosi se na rak u nastajanju. Protonska terapija predstavlja učinkovit postupak liječenja jer je poboljšana inačica radioterapije koja koristi protone za uništavanje bolesnog tkiva. Pri protonskoj terapiji veći dio energije oslobađa na točno određenoj dubini, pri čemu je apsorbirana energija ispred i iza te dubine zanemarivo mala. Takvo zračenje stoga ima daleko manje nuspojava, u usporedbi sa zračenjem rendgenskom terapijom, jer ne uništava zdravo tkivo u neposrednoj blizini tumora. Protonska terapija je napose učinkovita za takvu vrstu raka, jer se s našom poboljšanom terapijom rak izliječi kod čak 35% svih pacijenata oboljelih od raka. Obzirom na navedeno, smatramo da je glavni značaj našeg programa razvoj te terapije, jer bi na taj način mogli pomoći odnosno izliječiti čak 35% cjelovite svjetske populacije (oboljele od raka). Dodatni razlog za relevantnost projekta jest činjenica da je ta terapija posebice uspješna i primjerena za liječenje raka kod djece, budući da je kod njih od većeg značaja štićenje zdravog tkiva i jamstvo čim kvalitetnijeg življenja po izliječenju.
Protonska terapija posebice je preporučljiva i daleko je primjerenija od konvencionalne radioterapije za liječenje oboljenja od raka kod djece. Izuzetno je bitno da se kod djece izbjegne zračenje zdravog tkiva te se na taj način osigura normalan nastavak života po tretmanu. Zbog pozitivnih rezultata liječenja protonskom terapijom, interes za takav vid liječenja u svijetu postaju sve veći. Povećanje potreba za takav način liječenja utječe na pozitivni trend rasta tržišta medicinskih akceleratora za izdvajanje protonske terapije i rast interesa za izgradnju cjelovitih lječilišnih centara.
Točnost protonske radioterapije je istovremeno i njena slabost jer zahtijeva kvalitetan nadzor nad gibanjem uz minimalno zračenje zdravog tkiva. Tipičan primjer takvog gibanja je pomicanje prsnog koša radi disanja. Za točnije zračenje tumora u prsnom košu se periodično gibanje prsnog koša radi disanja podijeli na proizvoljan broj dišnih faza, za svaku se fazu napravi plan zračenja, zatim se između zračenja preklapa s planovima u ovisnosti od trenutne faze disanja. Zbog djelimice slučajnog gibanja uslijed disanja je prepoznavanje faze disanja posebice otežano i nepouzdano. Cilj predloženog projekta je razvoj algoritma za prepoznavanje faze disanja na osnovi neke tehnike za slikanje u realnom vremenu, poput primjerice projekcijskog radiografskog slikanja, optičkog slikanja površine, i sl.
U posljednjih nekoliko godina postignuti su izvrsni rezultati u području računalnog vida, u primjeni metodologije dubokog učenja. Duboko učenje pokazalo se kao snažna tehnika za modeliranje kompleksnog ponašanja procjenjivanjem parametara modela neposredno iz podataka. Spajanjem konvolucija i nelinearnosti u mnoštvu slojeva, modeli dubokog učenja pokazuju invarijantnost na translaciju, rotaciju i skaliranje slike. Samim time, takvi modeli su se pokazali izuzetno korisnima u brojnim zadaćama vezanim uz računalni vid, uključujući i onim iz područja medicine. Nadalje, s uvođenjem novih tehnika regularizacije modela i normalizacije za uklanjanje šuma, modeli dubokog učenja postali su poprilično otporni na efekt pretreniranosti modela. Unatoč činjenici da je učenje dubokog modela vremenski zahtjevno, zaključivanje (predikcija) je obično brzo te se može provoditi u realnom vremenu.
Podaci će biti prikupljeni nad skupinom pacijenata korištenjem računalne tomografije (CT). Prikupljena kolekcija sekvenci volumena bit će onda korištena za učenje modela sposobnih za predviđanje ponašanja pomaka (premještanja) i točno određivanja iduće faze disanja. Primijenit će se nekoliko tehnika strojnog učenja, uključujući i duboke konvolucijske neuronske mreže. Obzirom na to da kompleskni modeli zahtijevaju veće količine podataka specifičnih za problemsku domenu koja se analizira, a koji vjerojatno neće biti lako dostupni u većem broju, slijedit će se dva konkretna pravca istraživanja: (1) učenje prijenosom znanja iz predtreniranih modela, i (2) korištenje generativnih suparničkih mreža (GAN) za generiranje većeg broja vjerodostojnih slika.
U predloženom projektu Slovenski partner će raditi na razvoju i optimizaciji tehnika slikanja u realnom vremenu, dok će Hrvatski partner raditi na razvoju algoritma koji će klasificirati faze disanja temeljem pribavljenih slika.
© Riteh 2019., Sva prava pridržana
Programiranje: RitehWebTeam