Projektbeschreibung
Verbesserung der Ergebnisse von Lungenkrebsbehandlungen dank eines Ansatzes zur automatisierten Tumorcharakterisierung
Eine schnelle und genaue Diagnose ist für die effektive Behandlung aller Krebsarten unerlässlich. Bedauerlicherweise sind für die fortgeschrittene Erkennung, Segmentierung und Charakterisierung von Tumoren arbeitsintensive manuelle oder teilweise manuelle Verfahren notwendig, was die Behandlungsgenauigkeit und die Überwachung des Ansprechens auf die Behandlung einschränkt. Das EU-finanzierte Projekt AUTO.DISTINCT wird eine bahnbrechende, vollautomatische Software zur schnellen, genauen, untersuchungsunabhängigen und reproduzierbaren Erkennung und volumetrischen Segmentierung von Lungentumoren und -metastasen anhand von CT-Bildern einführen, demonstrieren und bewerten. Die Arbeit des Projekts wird die Tumorcharakterisierung bei Personen mit Lungenkrebs radikal verbessern, indem sie die Erkennung von Läsionen anhand von CT-Aufnahmen verfeinert. Dies wird erhebliche Auswirkungen auf die Behandlungsergebnisse der Patientinnen und Patienten sowie auf die Genauigkeit der Strahlentherapie nach sich ziehen.
Ziel
The inaccuracy and inconsistency of state-of-the-art tumour volume detection and segmentation has an adverse influence on patient outcomes. Accurately determining the exact location and volume of tumours is a prerequisite for the detection, segmentation, characterisation and therapy response monitoring for any type of cancer. Today, tumour segmentation is performed manually or semi-automatically in a laborious and time-consuming process that exhibits low accuracy and inconsistency. This compromises quality of care by limiting the certainty of lesion detection on medical images, hindering the effectivity of radiotherapy and restricting the accuracy of treatment response monitoring.
In this ERC PoC project, we introduce fully automated software for fast, accurate, observer independent and reproducible detection and volumetric segmentation of (lung) tumours and metastases on CT images. Through a unique three-step approach, our software demonstrates superior speed, accuracy and robustness of tumour segmentation over both the state-of-the-art as well as published competing solutions for automated tumour segmentation. Hence, our software has the potential to drastically reduce the adverse impact that inaccurate tumour detection and segmentation currently has on (lung) cancer patient outcomes by: improving the detection of lesions on CT images, increasing the accuracy of radiotherapy treatment to reduce the occurrence of geometric misses, and advance the evaluation of tumour response to treatments through volumetric treatment monitoring.
In AUTO.DISTINCT we will provide technical and commercial proof-of-concept for our novel software. We will solve the remaining technical challenges and develop a user-friendly prototype that can be validated with end users. Moreover, we will develop a business strategy that incorporates all technical, commercial, IPR and regulatory aspects of our invention to ensure successful commercialisation.
Wissenschaftliches Gebiet
Programm/Programme
Finanzierungsplan
ERC-POC-LS - ERC Proof of Concept Lump Sum PilotGastgebende Einrichtung
6200 MD Maastricht
Niederlande