CORDIS - Risultati della ricerca dell’UE
CORDIS

Neural Spectral Image Decoding

Descrizione del progetto

Un metodo di apprendimento automatico innovativo per l’imaging spettrale

Le tecniche di imaging spettrale usano la luce e il suono per misurare le proprietà dei tessuti biologici in maniera non invasiva. Grazie alla loro sicurezza e al costo basso, sono la soluzione ideale per numerose applicazioni sanitarie. Tuttavia, decenni di ricerca sulla soluzione del problema inverso, ovvero la ricostruzione di proprietà tessutali rilevanti a livello clinico a partire da misurazioni spettrali, non hanno prodotto soluzioni in grado di quantificare i parametri dei tessuti in maniera ottimale in ambiente clinico. Il progetto NEURAL SPICING, finanziato dall’UE, sta affrontando questo problema di decodifica delle informazioni attraverso l’utilizzo di reti neurali vincolate dalla fisica. A tal fine, i ricercatori utilizzano un approccio moderno di «apprendimento della simulazione» per generare immagini spettrali realistiche simulate a partire da dati non etichettati o etichettati in maniera non ottimale, che possano successivamente orientare il processo di apprendimento di un algoritmo. Questo approccio innovativo ha le potenzialità di innovare la diagnostica e la terapia di una serie di malattie.

Obiettivo

Had we the capacity to image the molecular tissue composition in real time, without exposing the patient or clinical staff to radiation, then this would revolutionize healthcare. Spectral imaging techniques, such as multispectral diffuse reflectance imaging and photoacoustics, have the potential to recover important tissue properties including oxygenation, temperature and the concentration of water. However, decades of research invested in solving the inverse problem of reconstructing clinically relevant tissue properties from spectral measurements have failed to produce solutions that can quantify tissue parameters robustly in a clinical setting. Initial attempts to address the limitations of model-based approaches with machine learning were hampered by the absence of labeled reference data needed for supervised algorithm training. While training data simulation can potentially address this bottleneck, the domain gap between real and simulated images remains a huge unsolved challenge.
This project at the intersection of physics, biology, medicine, and data science bridges the domain gap with a “learning-to-simulate” approach and reframes the quantification problem as a decoding problem that can be tackled with physics-constrained neural networks. It is based on the hypothesis that unlabeled and weakly labeled measurement data can be leveraged to improve the realism of simulated spectral images and ultimately the quantification accuracy. In building upon modern machine learning techniques, the concept naturally allows different sources of uncertainty to be handled and even exploited, requires no labeled data for the target task, and enables imaging systems to learn from their experience. The proposed second generation of spectral imaging is inherently safe and low-cost and could thus pave the way for a new era in interventional healthcare, with clinical applications ranging from cancer diagnosis to the staging and therapy of cardiovascular and inflammatory diseases.

Meccanismo di finanziamento

ERC-COG - Consolidator Grant

Istituzione ospitante

DEUTSCHES KREBSFORSCHUNGSZENTRUM HEIDELBERG
Contribution nette de l'UE
€ 1 999 975,00
Indirizzo
IM NEUENHEIMER FELD 280
69120 Heidelberg
Germania

Mostra sulla mappa

Regione
Baden-Württemberg Karlsruhe Heidelberg, Stadtkreis
Tipo di attività
Research Organisations
Collegamenti
Costo totale
€ 1 999 975,00

Beneficiari (1)