Descrizione del progetto
Uno strumento di analisi automatizzato per la gestione delle lesioni traumatiche del midollo spinale
La lesione traumatica del midollo spinale (tSCI, traumatic spinal cord injury) si ripercuote negativamente sulla qualità della vita dei pazienti. Gli attuali esami neurologici e le risonanze magnetiche per immagini spesso non sono in grado di valutare la gravità di tale lesione a causa della complessa natura dell’analisi e della variabilità esistente tra gli ospedali. Con il sostegno del programma di azioni Marie Skłodowska-Curie, il progetto SCIseg svilupperà uno strumento di analisi automatizzato con l’obiettivo di migliorare la gestione della tSCI, una soluzione che si baserà su modelli di apprendimento profondo per la segmentazione automatica del midollo spinale e delle lesioni a partire dalle immagini di risonanza magnetica, permettendo di superare i limiti della segmentazione manuale. I modelli saranno addestrati su un set di dati di risonanza magnetica per immagini multi-istituzionale allo scopo di garantire l’affidabilità tra gli ospedali; per di più, il progetto genererà misure quantitative della gravità della tSCI a partire dai dati segmentati.
Obiettivo
Traumatic spinal cord injury (tSCI) markedly reduces patients quality of life and economically burdens health systems. Neurological examinations and clinical magnetic resonance imaging (MRI) scans are currently insufficient for the proper classification of the tSCI baseline level (i.e. severity). Although MRI scans are routinely employed in tSCI patients, the MRI potential is not fully utilised due to the complexity of the analysis and diversity of MRI data across hospitals. The aim of this project is to propose a fully automatic and reproducible analysis tool that could be run by clinicians to improve the clinical management of tSCI patients. First, deep learning models for automatic spinal cord and lesion segmentation from MRI images will be developed to go beyond the currently used error-prone and time-consuming manual segmentations. The models will be trained on a multi institutional MRI dataset to be robust to MRI data heterogeneity across hospitals. Then, quantitative measures of the tSCI severity will be automatically computed from the segmented structures (i.e. spinal cord and lesions) and employed within the statistical model to predict tSCI severity. Finally, the developed methodology will be translated to the real-world healthcare system and tested on a prospectively acquired dataset of tSCI patients. Importantly, deep learning models, analysis pipeline, and statistical model will be seamlessly integrated into the current state-of-the-art ecosystem for spinal cord MRI data analysis and made publicly available to facilitate open science and reproducibility across hospitals. The project will create the first step in the improvement of care and clinical management in millions of patients with tSCI worldwide. In the longer term, after demonstrating the clinical relevance of the proposed tools, we assume that advanced MRI-based methods will be adopted by the larger clinical community for more personalised care.
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione
Parole chiave
Programma(i)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Invito a presentare proposte
(si apre in una nuova finestra) HORIZON-MSCA-2022-PF-01
Vedi altri progetti per questo bandoMeccanismo di finanziamento
HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global FellowshipsCoordinatore
771 47 Olomouc
Cechia