Opis projektu
Poprawianie wyników leczenia raka płuc poprzez zautomatyzowanie jego opisu
Szybka i dokładna diagnostyka jest niezbędna, jeśli leczenie raka, niezależnie od rodzaju guza, ma być skuteczne. Niestety zaawansowane wykrywanie, segmentacja i opis guzów zależą od żmudnych w ogóle niezautomatyzowanych lub zautomatyzowanych zaledwie częściowo procesów, co ogranicza dokładność stosowania terapii i monitorowania odpowiedzi na nią. Finansowany ze środków UE projekt AUTO.DISTINCT wprowadzi przełomowe, w pełni zautomatyzowane oprogramowanie do szybkiego, dokładnego, niezależnego od obserwatora i powtarzalnego wykrywania oraz wolumetrycznej segmentacji guzów płuc i przerzutów na obrazach TK. Badacze zajmą się również prezentacją i oceną nowego rozwiązania. Prace w ramach projektu drastycznie poprawią proces opisu guza w przypadku pacjentów z rakiem płuc. Zastosowanie lepszego wykrywania zmian na obrazach TK będzie miało znaczący wpływ na wyniki leczenia pacjentów i dokładność radioterapii.
Cel
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.
Dziedzina nauki
Program(-y)
System finansowania
ERC-POC-LS - ERC Proof of Concept Lump Sum PilotInstytucja przyjmująca
6200 MD Maastricht
Niderlandy