Opis projektu
Innowacyjne zastosowanie uczenia maszynowego w obrazowaniu medycznym
Obrazowanie medyczne zapewnia możliwość diagnozowania zróżnicowanych chorób z dużą dokładnością, a obecnie coraz większy nacisk kładzie się na techniki obrazowania ze zautomatyzowanym wsparciem diagnostycznym dla pracowników ochrony zdrowia i opiekunów pacjentów. Zdaniem wielu osób uczenie maszynowe pozwoli na częściową automatyzację procesu diagnostyki. Maszyny muszą jednak być w stanie analizować nowe obrazy zgodnie z wiedzą na temat anatomii zdrowych tkanek i świadomością typowej zmienności fizjologicznej. Zespół finansowanego ze środków Europejskiej Rady ds. Badań Naukowych projektu MIA-NORMAL opracuje technologię normatywnego uczenia na podstawie obrazów – nowatorską technologię uczenia głębokiego do zastosowań medycznych. Dzięki niej możliwe będzie opracowanie narzędzi obliczeniowych pozwalających na potwierdzenie indywidualnej normalności tkanej każdego pacjenta, kontrolę jakości obrazów, prowadzenie badań przesiewowych i skuteczniejszą profilaktykę chorób. Opracowane modele pozwolą na gromadzenie klinicznie użytecznych informacje z danych dotyczących zdrowych pacjentów na każdym etapie leczenia i przy każdym kontakcie z lekarzami.
Cel
As one of the most important aspects of diagnosis, treatment planning, treatment delivery, and follow-up, medical imaging provides an unmatched ability to identify disease with high accuracy. As a result of its success, referrals for imaging examinations have increased significantly. However, medical imaging depends on interpretation by highly specialised clinical experts and is thus rarely available at the front-line-of-care, for patient triage, or for frequent follow-ups. Very often, excluding certain conditions or confirming physiological normality would be essential at many stages of the patient journey, to streamline referrals and relieve pressure on human experts who have limited capacity. Hence, there is a strong need for increased imaging with automated diagnostic support for clinicians, healthcare professionals, and caregivers.
Machine learning is expected to be an algorithmic panacea for diagnostic automation. However, despite significant advances such as Deep Learning with notable impact on real-world applications, robust confirmation of normality is still an unsolved problem, which cannot be addressed with established approaches.
Like clinical experts, machines should also be able to verify the absence of pathology by contrasting new images with their knowledge about healthy anatomy and expected physiological variability. Thus, the aim of this proposal is to develop normative representation learning as a new machine learning paradigm for medical imaging, providing patient-specific computational tools for robust confirmation of normality, image quality control, health screening, and prevention of disease before onset. We will do this by developing novel Deep Learning approaches that can learn without manual labels from healthy patient data only, applicable to cross-sectional, sequential, and multi-modal data. Resulting models will be able to extract clinically useful and actionable information as early and frequent as possible during patient journeys.
Dziedzina nauki
- medical and health sciencesbasic medicineanatomy and morphology
- social sciencessociologyindustrial relationsautomation
- medical and health sciencesbasic medicinepathology
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
- engineering and technologymedical engineeringdiagnostic imaging
Słowa kluczowe
Program(-y)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Temat(-y)
System finansowania
HORIZON-ERC - HORIZON ERC GrantsInstytucja przyjmująca
91054 Erlangen
Niemcy